文章目錄
- 生成資料集
- Pytorch讀取資料
- 定義模型
- 初始化模型參數
- 定義損失函數
- 定義優化算法
- 訓練模型
- 小結
在了解了線性回歸的背景知識之後,現在我們可以動手實作它了。盡管強大的深度學習架構可以減少大量重複性工作,但若過于依賴它提供的便利,會導緻我們很難深入了解深度學習是如何工作的。是以,本節将介紹如何隻利用
Tensor
和
autograd
來實作一個線性回歸的訓練。
import torch
from matplotlib import pyplot as plt
import numpy as np
import random
生成資料集
n_samples, n_features = 1000, 2
true_w, true_b = [2, -3.4], 4.2
train_features = torch.tensor(np.random.normal(0, 1, (n_samples, n_features)), dtype=torch.float)
train_labels = true_w[0] * train_features[:, 0] + true_w[1] * train_features[:, 1] + true_b
Pytorch讀取資料
import torch.utils.data as Data
batch_size = 10
# 将訓練資料的特征和标簽組合起來
dataset = Data.TensorDataset(train_features, train_labels)
# 随機讀取小批量資料
data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)
列印第一個小批量資料樣本:
for X, y in data_iter:
print(X)
print(y)
break
tensor([[-1.5092, -1.8423],
[-1.8254, -1.2151],
[-0.9875, -0.2694],
[ 0.8320, 2.4324],
[-0.7053, 0.7679],
[-1.0079, 0.6050],
[ 0.7001, 0.5371],
[ 1.2323, -0.3061],
[-0.9670, -1.1892],
[ 2.2475, 0.9057]])
tensor([ 7.4456, 4.6806, 3.1410, -2.4062, 0.1785, 0.1271, 3.7740, 7.7054,
6.3095, 5.6158])
定義模型
Pytorch提供了大量預定義的層,我們隻需關注使用哪些層來構造模型即可。
首先,導入
torch.nn
子產品。實際上,“nn”是neural networks(神經網絡)的縮寫。顧名思義,該子產品定義了大量神經網絡的層。之前我們已經用過了
autograd
,而
nn
就是利用
autograd
來定義模型。
nn
的核心資料結構是
Module
,它是一個抽象概念,既可以表示神經網絡中的某個層(layer),也可以表示一個包含很多層的神經網絡。在實際使用中,最常見的做法是繼承
nn.Module
,撰寫自己的網絡/層。一個
nn.Module
執行個體應該包含一些層以及傳回輸出的前向傳播(forward)方法。
下面先來看看如何用
nn.Module
實作一個線性回歸模型:
class LinearNet(nn.Module):
def __init__(self, n_features):
super().__init__()
self.linear = nn.Linear(n_features, 1)
def forward(self, x):
return self.linear(x)
net = LinearNet(n_features)
print(net)
LinearNet(
(linear): Linear(in_features=2, out_features=1, bias=True)
)
我們也可以用
nn.Sequential
來更加友善的搭建網絡,
Sequential
是一個有序的容器,網絡層将按照在傳入
Sequential
的順序依次被添加到計算圖中
# 寫法一
net1 = nn.Sequential(
nn.Linear(n_features, 1)
)
print(net1)
# 寫法二
net2 = nn.Sequential()
net2.add_module('linear', nn.Linear(n_features, 1))
print(net2)
# 寫法三
from collections import OrderedDict
order_dict = OrderedDict([
('linear', nn.Linear(n_features, 1))
])
net3 = nn.Sequential(order_dict)
print(net3)
Sequential(
(0): Linear(in_features=2, out_features=1, bias=True)
)
Sequential(
(linear): Linear(in_features=2, out_features=1, bias=True)
)
Sequential(
(linear): Linear(in_features=2, out_features=1, bias=True)
)
可以通過
net.parameters()
來檢視模型所有的可學習參數,此函數将傳回一個生成器:
for param in net.parameters():
print(param)
Parameter containing:
tensor([[-0.2759, 0.6097]], requires_grad=True)
Parameter containing:
tensor([-0.5925], requires_grad=True)
作為一個單層神經網絡,線性回歸輸出層中的神經元和輸入層中各個輸入完全連接配接,是以,線性回歸的輸出層又叫全連接配接層
注意:
torch.nn
僅支援輸入一個batch的樣本,不支援單個樣本輸入,如果隻有單個樣本,可以使用
input.unsqueeze(0)
來添加一維
初始化模型參數
在使用
net
前,我們需要初始化模型參數,如線性回歸模型中的權重和偏差。PyTorch在
init
子產品中提供了多種參數初始化方法。這裡的
init
是
initializer
的縮寫形式。我們通過
init.normal_
将權重參數每個元素初始化為随機采樣于均值為0、标準差為0.01的正态分布。偏差會初始化為零
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)
定義損失函數
PyTorch在
nn
子產品中提供了各種損失函數,這些損失函數可看作是一種特殊的層,PyTorch也将這些損失函數實作為
nn.Module
的子類。我們現在使用它提供的均方誤差損失作為模型的損失函數。
loss = nn.MSELoss()
定義優化算法
torch.optim
子產品提供了很多常用的優化算法比如SGD、Adam和RMSProp等。下面我們建立一個用于優化
net
所有參數的優化器執行個體,并指定學習率為0.03的小批量随機梯度下降(SGD)為優化算法。
import torch.optim as optim
optimizer = optim.SGD(net.parameters(), lr=0.03)
optimizer
SGD (
Parameter Group 0
dampening: 0
lr: 0.03
momentum: 0
nesterov: False
weight_decay: 0
)
我們還可以為不同子網絡設定不同的學習率,這在
finetune
時經常用到。例:
optimizer2 = optim.SGD([
# 如果對某個參數不指定學習率,就使用最外層的預設學習率
{
'params': net.subnet1.parameters()
},
{
'params': net.subnet2.parameters(),
'lr': 0.01
}
], lr=0.03)
有時候我們不想讓學習率固定成一個常數,那如何調整學習率呢?主要有兩種做法。一種是修改
optimizer.param_groups
中對應的學習率,另一種是更簡單也是較為推薦的做法——建立優化器,由于optimizer十分輕量級,建構開銷很小,故而可以建構新的optimizer。但是後者對于使用動量的優化器(如Adam),會丢失動量等狀态資訊,可能會造成損失函數的收斂出現震蕩等情況。
# 調整學習率為之前的0.1倍
for param_group in optimizer.param_groups:
param_group['lr'] *= 0.1
訓練模型
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))
# 梯度清零,等價于net.zero_grad()
optimizer.zero_grad()
l.backward()
optimizer.step()
print('epoch %d, loss: %f' % (epoch, l.item()))
epoch 1, loss: 10.941267
epoch 2, loss: 2.379056
epoch 3, loss: 0.683022
dense = net[0]
print(dense.weight)
print(dense.bias)
Parameter containing:
tensor([[ 1.6598, -2.7395]], requires_grad=True)
Parameter containing:
tensor([3.4061], requires_grad=True)
小結
-
子產品提供了有關資料處理的工具torch.utils.data
-
子產品定義了大量神經網絡的層torch.nn
-
子產品定義了各種初始化方法torch.nn.init
-
子產品提供了很多常用的優化算法torch.optim