3.2 线性回归从零开始实现

flowchart LR
    A("开始") --> B["随机yield一批样本"]
   B --> C("计算该批下的损失")
     C --> D("计算参数梯度，并更新参数")
     D --> |"把整个样本都遍历一遍为止"|B

1. 导入库

%matplotlib inline
import random
import torch
from d2l import torch as d2l # 该课程自带库，用于集成画图工具

2. 利用高斯分布生成训练数据

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.matmul(X, w) + b
    y += torch.normal(0, 0.01, y.shape) #添加噪声
    return X, y.reshape((-1, 1))

true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = synthetic_data(true_w, true_b, 1000)

• 生成 2 维正态分布的数据，真实的模型是 $y=2x_1-3.4x_2$
• 注意这里的 w 是一维张量，可以直接相乘，参考 Pytorch 用法#^87203d

3. 批量读取数据

def data_iter(batch_size, features, labels):
    num_examples = len(features)
    indices = list(range(num_examples))
    # 这些样本是随机读取的，没有特定的顺序
    random.shuffle(indices)
    for i in range(0, num_examples, batch_size):
        batch_indices = torch.tensor(
            indices[i: min(i + batch_size, num_examples)])
        yield features[batch_indices], labels[batch_indices]

• 上面的函数是生成器（Python 的 yield 用法），每次运行一次就在样本里随机选 batch_size 多的样本，这些样本就会被 yield 出来

4. 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)

5. 定义损失函数

def squared_loss(y_hat, y):  #@save
    """均方损失"""
    return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2

• 注意这里返回的是一个张量，并不是最终计算标量（所有样本的损失和）

6. 定义学习算法：小批量随机梯度下降

def sgd(params, lr, batch_size):  #@save
    """小批量随机梯度下降 lr: learning rate"""
    with torch.no_grad():
        for param in params:
            param -= lr * param.grad / batch_size
            param.grad.zero_() #清除累计的梯度

• 这里除以批的大小，保持学习的步长 （学习率 lr）一致，而 Pytorch 里面是没有除以批的大小 Pytorch 用法
• 在默认情况下，PyTorch 会累积梯度，我们需要清除之前的值

7. 训练

lr = 0.03
num_epochs = 3
net = linreg
loss = squared_loss

for epoch in range(num_epochs):
    for X, y in data_iter(batch_size, features, labels):
        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
    # 打印每个 epoch 的损失
    with torch.no_grad():
        train_l = loss(net(features, w, b), labels)
        print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')

整个训练做两件事情：

• 计算当前样本下的损失，从而计算参数的梯度 Pytorch 用法#^0cc27a
• 按照计算梯度的方向更新参数
• 循环上面上面步骤

参考文献