pytorch完整搭建线性模型

框架 数据流水线 模型选择 损失函数选择 优化器选择 训练 验证
%matplotlib inline   # plot时默认嵌入mat
import random # 随机化函数
import torch
from d2l import torch as d2l
def synthetic_data(w, b, num_examples):  #@save
"""生成y=Xw+b+噪声"""
X = torch.normal(0, 1, (num_examples, len(w)))
y = torch.mv(X, w) + b
y += torch.normal(0, 0.01, y.shape)
return X, y.reshape((-1, 1))
true_w = torch.tensor([2, -3.4]) # 设置参数w b并生成x y集合
true_b = 4.2
features, labels = synthetic_data(true_w, true_b, 1000) # 占用大量内存
def data_iter(batch_size, features, labels): # sgd分批随机选择
num = len(labels)
indices = list(range(num))
random.shuffle(indices)
for i in range(0, num, batch_size):
batch_indices = torch.tensor(indices[i : min(i + batch_size, num)])
# print(batch_indices)
yield features[batch_indices], labels[batch_indices] # 调用函数时返回生成器，每次到这返回一组数据后再继续执行，防止内存不足
初始化模型参数

w = torch.normal(0, 0.01, size = (2, 1), requires_grad = True)
b = torch.zeros(1, requires_grad=True)
选择模型

def linreg(X, w, b):  #@save
"""线性回归模型"""
return torch.matmul(X, w) + b
选择损失函数

def squared_loss(y_hat, y):  #@save
"""均方损失"""
return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2 # 防止行列向量不同，所以reshape
选择优化器

def sgd(params, lr, batch_size):  #@save
"""小批量随机梯度下降"""
with torch.no_grad(): # 在参数更新时禁用梯度
for param in params:
param -= lr * param.grad / batch_size # 均方损失时未除size
param.grad.zero_() # 置零
开始训练

参数设置

lr = 0.03 # 学习率
num_epochs = 3 # 迭代周期
net = linreg # 模型
loss = squared_loss # 损失函数
for epoch in range(num_epochs):
for X, y in data_iter(batch_size, features, labels): # 分批次处理
l = loss(net(X, w, b), y)  # X和y的小批量损失
# 因为l形状是(batch_size,1)，而不是一个标量。l中的所有元素被加到一起，
# 并以此计算关于[w,b]的梯度
l.sum().backward()
sgd([w, b], lr, batch_size)  # 使用参数的梯度更新参数
with torch.no_grad():
train_l = loss(net(features, w, b), labels)
print(f'epoch {epoch + 1}, loss {train_l.mean():f}')
评估模型

print(f'w的估计误差: {true_w - w.reshape(true_w.shape)}')
print(f'b的估计误差: {true_b - b}')

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！