珠海手机网站建设价格,哈尔滨专业网站建设定制,网站建设教程出售用苏州久远网络,容县网站开发一、基本概念
1、线性模型 2、线性模型可以看成#xff1a;单层的神经网络 输入维度#xff1a;d
输出维度#xff1a;1
每个箭头代表权重
一个输入层#xff0c;一个输出层
单层神经网络#xff1a;带权重的层为1#xff08;将权重和输入层放在一起#xff09; 3、…一、基本概念
1、线性模型 2、线性模型可以看成单层的神经网络 输入维度d
输出维度1
每个箭头代表权重
一个输入层一个输出层
单层神经网络带权重的层为1将权重和输入层放在一起 3、LOSS
y:真实值
y^:估计值
平方损失 4、训练数据
n个样本 5、损失学习
训练损失 最小化损失来学习参数 6、显示解 7、总结 二、优化方法
1、梯度下降 2、学习率
不能太大也不能太小 3、小批量 随机梯度下降 4、批量大小
不能太大也不能太小 5、总结 三、代码实现
1、从头开始实现
import matplotlib.pyplot as plt #plt.show()
import random
import torch
from d2l import torch as d2l# 随机生成数据集
# 权重w 2, -3.4
# 偏差 b -4.2
def synthetic_data(w, b, num_examples): #save yXwb噪声 # 均值为0方差为1的随机数n个样本列数wX torch.normal(0, 1, (num_examples, len(w)))y torch.matmul(X, w) b# 再加一个随机噪音y torch.normal(0, 0.01, y.shape)# x和y做成一个列向量返回return X, y.reshape((-1, 1))# 生成训练样本
true_w torch.tensor([2, -3.4])
true_b 4.2
features, labels synthetic_data(true_w, true_b, 1000)print(features:, features[0],\nlabel:, labels[0])
d2l.set_figsize()
d2l.plt.scatter(features[:, (1)].detach().numpy(), labels.detach().numpy(), 1)
plt.show()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]
batch_size 10
for X, y in data_iter(batch_size, features, labels):print(X, \n, y)break
# true_w torch.tensor([2, -3.4])
# true_b 4.2# 初始化模型参数
w torch.normal(0, 0.01, size(2,1), requires_gradTrue)
b torch.zeros(1, requires_gradTrue)# 定义模型
def linreg(X, w, b): #save线性回归模型return torch.matmul(X, w) b# 定义损失函数
def linreg(X, w, b): #save线性回归模型return torch.matmul(X, w) b# 定义优化函数
def sgd(params, lr, batch_size): #save小批量随机梯度下降with torch.no_grad():for param in params:param - lr * param.grad / batch_sizeparam.grad.zero_()
def squared_loss(a, b):y (a - b) ** 2y / 2return y# 训练
lr 0.03
num_epochs 3
net linreg
loss squared_lossfor 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with torch.no_grad():train_l loss(net(features, w, b), labels)print(fepoch {epoch 1}, loss {float(train_l.mean()):f})
print(fw的估计误差: {true_w - w.reshape(true_w.shape)})
print(fb的估计误差: {true_b - b})
2、简洁实现
# 1.生成数据集
import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2ltrue_w torch.tensor([2, -3.4])
true_b 4.2
features, labels d2l.synthetic_data(true_w, true_b, 1000)# 2.读取数据集
def load_array(data_arrays, batch_size, is_trainTrue): #save构造一个PyTorch数据迭代器dataset data.TensorDataset(*data_arrays)return data.DataLoader(dataset, batch_size, shuffleis_train)batch_size 10
data_iter load_array((features, labels), batch_size)print(next(iter(data_iter)))# 3.定义模型
# nn是神经网络的缩写
from torch import nnnet nn.Sequential(nn.Linear(2, 1))# 4.初始化模型参数
net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)# 5.定义损失函数
loss nn.MSELoss()# 6. 定义优化算法
trainer torch.optim.SGD(net.parameters(), lr0.03)# 7. 训练
num_epochs 3
for epoch in range(num_epochs):for X, y in data_iter:l loss(net(X) ,y)trainer.zero_grad()l.backward()trainer.step()l loss(net(features), labels)print(fepoch {epoch 1}, loss {l:f})w net[0].weight.data
print(w的估计误差, true_w - w.reshape(true_w.shape))
b net[0].bias.data
print(b的估计误差, true_b - b)
