当前位置: 首页 > news >正文

动手学深度学习——线性回归从零开始

  1. 生成数据集synthetic_data()
  2. 读取数据集data_iter()
  3. 初始化模型参数w, b
  4. 定义模型:线性回归模型linreg()
  5. 定义损失函数:均方损失squared_loss()
  6. 定义优化算法:梯度下降sgd()
  7. 进行训练:输出损失loss和估计误差
%matplotlib inline
import random
import torch
from d2l import torch as d2l# 生成数据集
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) + by += torch.normal(0, 0.01, y.shape)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)# 读取数据集
def data_iter(batch_size, features, labels):# 获取x中特征的长度,转换成列表,通过for循环进行批量生成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):# 此时获取的是向量了,最后如果不足批量大小取最后剩余的batch_indices = torch.tensor(indices[i: min(i + batch_size, num_examples)])yield features[batch_indices], labels[batch_indices]# 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)# 定义模型:线性回归模型
def linreg(X, w, b):return torch.matmul(X, w) + b# 定义优化算法sgd
# lr:学习率
def sgd(params, lr, batch_size):with torch.no_grad():for param in params:param -= lr * param.grad / batch_sizeparam.grad.zero_()"""训练:1、读取批量样本获取预测2、计算损失,反向传播,存储每个参数的梯度3、调用优化算法sgd来更新模型参数4、输出每轮的损失
"""
lr = 0.03
num_epochs = 10
net = linreg
loss = squared_lossfor epoch in range(num_epochs):for X, y in data_iter(batch_size, features, labels):# X和y的小批量损失# net()返回y=X*w+b,loss()返回(y'-y)^2/2l = loss(net(X, w, b), y)\# 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 = w - lr*w/batch_size# 使用参数的梯度更新参数sgd([w, b], lr, batch_size)with torch.no_grad():# loss(y_hat, y)# net(features, w, b)相当于y_hat,labels相当于ytrain_1 = loss(net(features, w, b), labels)print(f'epoch {epoch + 1}, loss{float(train_1.mean()):f}')# 输出w和b的估计误差
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}')
http://www.lryc.cn/news/97107.html

相关文章:

  • Redis缓存击穿
  • 网络安全(黑客)自学的一些建议
  • 全志F1C200S嵌入式驱动开发(基于usb otg的spi-nor镜像烧入)
  • 如何恢复损坏/删除的 Word 文件
  • 【论文阅读】Feature Inference Attack on Shapley Values
  • TDesign 中后台系统搭建
  • Android 实现阅读用户协议的文字控件效果
  • 19.主题时钟
  • ChatGPT在智能电子设备中的应用如何?
  • MGRE之OSPF实验
  • 【Selenium+Pytest+allure报告生成自动化测试框架】附带项目源码和项目部署文档
  • 如何负载均衡中的日志统一管理
  • Java_26_Stream流
  • 周四见 | 物流人的一周资讯
  • uniapp 即时通讯开发流程详解
  • 【Terraform学习】Terraform-docker部署快速入门(快速入门)
  • C# 全局响应Ctrl+Alt+鼠标右键
  • 【Leetcode】54.螺旋矩阵
  • 怎样计算一个算法的复杂度?
  • 【问题记录】Ubuntu 22.04 环境下,打开 VS Code 老是访问密钥环该怎么解决?
  • format格式化输出语法详解
  • RocketMQ教程-(5)-功能特性-事务消息
  • HANA学习笔记
  • VMware虚拟机无法上网的解决办法
  • PLC-Recorder的高速采集有多快?0.5ms算快吗?看控制器能力了!
  • KMP算法总结
  • 消息中间件ActiveMQ介绍
  • 【100天精通python】Day9:数据结构_字典、集合
  • 上海VR全景展示,快速了解VR全景拍摄
  • VScode远程不用再输入密码操作