|
|
|
|
|
# 3.3 线性回归的简洁实现
|
|
|
|
|
|
|
|
|
|
|
|
随着深度学习框架的发展，开发深度学习应用变得越来越便利。实践中，我们通常可以用比上一节更简洁的代码来实现同样的模型。在本节中，我们将介绍如何使用PyTorch更方便地实现线性回归的训练。
|
|
|
|
|
|
|
|
|
|
|
|
## 3.3.1 生成数据集
|
|
|
|
|
|
|
|
|
|
|
|
我们生成与上一节中相同的数据集。其中`features`是训练数据特征，`labels`是标签。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
num_inputs = 2
|
|
|
|
|
|
num_examples = 1000
|
|
|
|
|
|
true_w = [2, -3.4]
|
|
|
|
|
|
true_b = 4.2
|
|
|
|
|
|
features = torch.tensor(np.random.normal(0, 1, (num_examples, num_inputs)), dtype=torch.float)
|
|
|
|
|
|
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
|
|
|
|
|
|
labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()), dtype=torch.float)
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
## 3.3.2 读取数据
|
|
|
|
|
|
|
|
|
|
|
|
PyTorch提供了`data`包来读取数据。由于`data`常用作变量名，我们将导入的`data`模块用`Data`代替。在每一次迭代中，我们将随机读取包含10个数据样本的小批量。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
import torch.utils.data as Data
|
|
|
|
|
|
|
|
|
|
|
|
batch_size = 10
|
|
|
|
|
|
# 将训练数据的特征和标签组合
|
|
|
|
|
|
dataset = Data.TensorDataset(features, labels)
|
|
|
|
|
|
# 随机读取小批量
|
|
|
|
|
|
data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
这里`data_iter`的使用跟上一节中的一样。让我们读取并打印第一个小批量数据样本。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
for X, y in data_iter:
|
|
|
|
|
|
print(X, y)
|
|
|
|
|
|
break
|
|
|
|
|
|
```
|
|
|
|
|
|
输出：
|
|
|
|
|
|
```
|
|
|
|
|
|
tensor([[-2.7723, -0.6627],
|
|
|
|
|
|
[-1.1058, 0.7688],
|
|
|
|
|
|
[ 0.4901, -1.2260],
|
|
|
|
|
|
[-0.7227, -0.2664],
|
|
|
|
|
|
[-0.3390, 0.1162],
|
|
|
|
|
|
[ 1.6705, -2.7930],
|
|
|
|
|
|
[ 0.2576, -0.2928],
|
|
|
|
|
|
[ 2.0475, -2.7440],
|
|
|
|
|
|
[ 1.0685, 1.1920],
|
|
|
|
|
|
[ 1.0996, 0.5106]])
|
|
|
|
|
|
tensor([ 0.9066, -0.6247, 9.3383, 3.6537, 3.1283, 17.0213, 5.6953, 17.6279,
|
|
|
|
|
|
2.2809, 4.6661])
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
## 3.3.3 定义模型
|
|
|
|
|
|
|
|
|
|
|
|
在上一节从零开始的实现中，我们需要定义模型参数，并使用它们一步步描述模型是怎样计算的。当模型结构变得更复杂时，这些步骤将变得更繁琐。其实，PyTorch提供了大量预定义的层，这使我们只需关注使用哪些层来构造模型。下面将介绍如何使用PyTorch更简洁地定义线性回归。
|
|
|
|
|
|
|
|
|
|
|
|
首先，导入`torch.nn`模块。实际上，“nn”是neural networks（神经网络）的缩写。顾名思义，该模块定义了大量神经网络的层。之前我们已经用过了`autograd`，而`nn`就是利用`autograd`来定义模型。`nn`的核心数据结构是`Module`，它是一个抽象概念，既可以表示神经网络中的某个层（layer），也可以表示一个包含很多层的神经网络。在实际使用中，最常见的做法是继承`nn.Module`，撰写自己的网络/层。一个`nn.Module`实例应该包含一些层以及返回输出的前向传播（forward）方法。下面先来看看如何用`nn.Module`实现一个线性回归模型。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
class LinearNet(nn.Module):
|
|
|
|
|
|
def __init__(self, n_feature):
|
|
|
|
|
|
super(LinearNet, self).__init__()
|
|
|
|
|
|
self.linear = nn.Linear(n_feature, 1)
|
|
|
|
|
|
# forward 定义前向传播
|
|
|
|
|
|
def forward(self, x):
|
|
|
|
|
|
y = self.linear(x)
|
|
|
|
|
|
return y
|
|
|
|
|
|
|
|
|
|
|
|
net = LinearNet(num_inputs)
|
|
|
|
|
|
print(net) # 使用print可以打印出网络的结构
|
|
|
|
|
|
```
|
|
|
|
|
|
输出：
|
|
|
|
|
|
```
|
|
|
|
|
|
LinearNet(
|
|
|
|
|
|
(linear): Linear(in_features=2, out_features=1, bias=True)
|
|
|
|
|
|
)
|
|
|
|
|
|
```
|
|
|
|
|
|
事实上我们还可以用`nn.Sequential`来更加方便地搭建网络，`Sequential`是一个有序的容器，网络层将按照在传入`Sequential`的顺序依次被添加到计算图中。
|
|
|
|
|
|
``` python
|
|
|
|
|
|
# 写法一
|
|
|
|
|
|
net = nn.Sequential(
|
|
|
|
|
|
nn.Linear(num_inputs, 1)
|
|
|
|
|
|
# 此处还可以传入其他层
|
|
|
|
|
|
)
|
|
|
|
|
|
|
|
|
|
|
|
# 写法二
|
|
|
|
|
|
net = nn.Sequential()
|
|
|
|
|
|
net.add_module('linear', nn.Linear(num_inputs, 1))
|
|
|
|
|
|
# net.add_module ......
|
|
|
|
|
|
|
|
|
|
|
|
# 写法三
|
|
|
|
|
|
from collections import OrderedDict
|
|
|
|
|
|
net = nn.Sequential(OrderedDict([
|
|
|
|
|
|
('linear', nn.Linear(num_inputs, 1))
|
|
|
|
|
|
# ......
|
|
|
|
|
|
]))
|
|
|
|
|
|
|
|
|
|
|
|
print(net)
|
|
|
|
|
|
print(net[0])
|
|
|
|
|
|
```
|
|
|
|
|
|
输出：
|
|
|
|
|
|
```
|
|
|
|
|
|
Sequential(
|
|
|
|
|
|
(linear): Linear(in_features=2, out_features=1, bias=True)
|
|
|
|
|
|
)
|
|
|
|
|
|
Linear(in_features=2, out_features=1, bias=True)
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
可以通过`net.parameters()`来查看模型所有的可学习参数，此函数将返回一个生成器。
|
|
|
|
|
|
``` python
|
|
|
|
|
|
for param in net.parameters():
|
|
|
|
|
|
print(param)
|
|
|
|
|
|
```
|
|
|
|
|
|
输出：
|
|
|
|
|
|
```
|
|
|
|
|
|
Parameter containing:
|
|
|
|
|
|
tensor([[-0.0277, 0.2771]], requires_grad=True)
|
|
|
|
|
|
Parameter containing:
|
|
|
|
|
|
tensor([0.3395], requires_grad=True)
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
回顾图3.1中线性回归在神经网络图中的表示。作为一个单层神经网络，线性回归输出层中的神经元和输入层中各个输入完全连接。因此，线性回归的输出层又叫全连接层。
|
|
|
|
|
|
|
|
|
|
|
|
> 注意：`torch.nn`仅支持输入一个batch的样本不支持单个样本输入，如果只有单个样本，可使用`input.unsqueeze(0)`来添加一维。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
## 3.3.4 初始化模型参数
|
|
|
|
|
|
|
|
|
|
|
|
在使用`net`前，我们需要初始化模型参数，如线性回归模型中的权重和偏差。PyTorch在`init`模块中提供了多种参数初始化方法。这里的`init`是`initializer`的缩写形式。我们通过`init.normal_`将权重参数每个元素初始化为随机采样于均值为0、标准差为0.01的正态分布。偏差会初始化为零。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
from torch.nn import init
|
|
|
|
|
|
|
|
|
|
|
|
init.normal_(net[0].weight, mean=0, std=0.01)
|
|
|
|
|
|
init.constant_(net[0].bias, val=0) # 也可以直接修改bias的data: net[0].bias.data.fill_(0)
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
> 注：如果这里的`net`是用3.3.3节一开始的代码自定义的，那么上面代码会报错，`net[0].weight`应改为`net.linear.weight`，`bias`亦然。因为`net[0]`这样根据下标访问子模块的写法只有当`net`是个`ModuleList`或者`Sequential`实例时才可以，详见4.1节。
|
|
|
|
|
|
|
|
|
|
|
|
## 3.3.5 定义损失函数
|
|
|
|
|
|
|
|
|
|
|
|
PyTorch在`nn`模块中提供了各种损失函数，这些损失函数可看作是一种特殊的层，PyTorch也将这些损失函数实现为`nn.Module`的子类。我们现在使用它提供的均方误差损失作为模型的损失函数。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
loss = nn.MSELoss()
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
## 3.3.6 定义优化算法
|
|
|
|
|
|
|
|
|
|
|
|
同样，我们也无须自己实现小批量随机梯度下降算法。`torch.optim`模块提供了很多常用的优化算法比如SGD、Adam和RMSProp等。下面我们创建一个用于优化`net`所有参数的优化器实例，并指定学习率为0.03的小批量随机梯度下降（SGD）为优化算法。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
import torch.optim as optim
|
|
|
|
|
|
|
|
|
|
|
|
optimizer = optim.SGD(net.parameters(), lr=0.03)
|
|
|
|
|
|
print(optimizer)
|
|
|
|
|
|
```
|
|
|
|
|
|
输出：
|
|
|
|
|
|
```
|
|
|
|
|
|
SGD (
|
|
|
|
|
|
Parameter Group 0
|
|
|
|
|
|
dampening: 0
|
|
|
|
|
|
lr: 0.03
|
|
|
|
|
|
momentum: 0
|
|
|
|
|
|
nesterov: False
|
|
|
|
|
|
weight_decay: 0
|
|
|
|
|
|
)
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
我们还可以为不同子网络设置不同的学习率，这在finetune时经常用到。例：
|
|
|
|
|
|
``` python
|
|
|
|
|
|
optimizer =optim.SGD([
|
|
|
|
|
|
# 如果对某个参数不指定学习率，就使用最外层的默认学习率
|
|
|
|
|
|
{'params': net.subnet1.parameters()}, # lr=0.03
|
|
|
|
|
|
{'params': net.subnet2.parameters(), 'lr': 0.01}
|
|
|
|
|
|
], lr=0.03)
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
有时候我们不想让学习率固定成一个常数，那如何调整学习率呢？主要有两种做法。一种是修改`optimizer.param_groups`中对应的学习率，另一种是更简单也是较为推荐的做法——新建优化器，由于optimizer十分轻量级，构建开销很小，故而可以构建新的optimizer。但是后者对于使用动量的优化器（如Adam），会丢失动量等状态信息，可能会造成损失函数的收敛出现震荡等情况。
|
|
|
|
|
|
``` python
|
|
|
|
|
|
# 调整学习率
|
|
|
|
|
|
for param_group in optimizer.param_groups:
|
|
|
|
|
|
param_group['lr'] *= 0.1 # 学习率为之前的0.1倍
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
## 3.3.7 训练模型
|
|
|
|
|
|
|
|
|
|
|
|
在使用Gluon训练模型时，我们通过调用`optim`实例的`step`函数来迭代模型参数。按照小批量随机梯度下降的定义，我们在`step`函数中指明批量大小，从而对批量中样本梯度求平均。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
num_epochs = 3
|
|
|
|
|
|
for epoch in range(1, num_epochs + 1):
|
|
|
|
|
|
for X, y in data_iter:
|
|
|
|
|
|
output = net(X)
|
|
|
|
|
|
l = loss(output, y.view(-1, 1))
|
|
|
|
|
|
optimizer.zero_grad() # 梯度清零，等价于net.zero_grad()
|
|
|
|
|
|
l.backward()
|
|
|
|
|
|
optimizer.step()
|
|
|
|
|
|
print('epoch %d, loss: %f' % (epoch, l.item()))
|
|
|
|
|
|
```
|
|
|
|
|
|
输出：
|
|
|
|
|
|
```
|
|
|
|
|
|
epoch 1, loss: 0.000457
|
|
|
|
|
|
epoch 2, loss: 0.000081
|
|
|
|
|
|
epoch 3, loss: 0.000198
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
下面我们分别比较学到的模型参数和真实的模型参数。我们从`net`获得需要的层，并访问其权重（`weight`）和偏差（`bias`）。学到的参数和真实的参数很接近。
|
|
|
|
|
|
|
|
|
|
|
|
``` python
|
|
|
|
|
|
dense = net[0]
|
|
|
|
|
|
print(true_w, dense.weight)
|
|
|
|
|
|
print(true_b, dense.bias)
|
|
|
|
|
|
```
|
|
|
|
|
|
输出：
|
|
|
|
|
|
```
|
|
|
|
|
|
[2, -3.4] tensor([[ 1.9999, -3.4005]])
|
|
|
|
|
|
4.2 tensor([4.2011])
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
## 小结
|
|
|
|
|
|
|
|
|
|
|
|
* 使用PyTorch可以更简洁地实现模型。
|
|
|
|
|
|
* `torch.utils.data`模块提供了有关数据处理的工具，`torch.nn`模块定义了大量神经网络的层，`torch.nn.init`模块定义了各种初始化方法，`torch.optim`模块提供了很多常用的优化算法。
|
|
|
|
|
|
|
|
|
|
|
|
-----------
|
|
|
|
|
|
> 注：本节除了代码之外与原书基本相同，[原书传送门](https://zh.d2l.ai/chapter_deep-learning-basics/linear-regression-gluon.html)
|
