第5讲 使用pytorch实现线性回归

第五讲随笔

广播机制

例如不同形状矩阵之间相加，则会进行广播，扩张到同样的形状再进行运算

广播前：

广播后：

下面也是采用了广播机制，y1,y2,y3并非一个向量，而是一个矩阵，因此w需要进行广播，再与x1,x2,x3进行数乘

init构造函数

init构造函数用来初始化对象
简述 init、new、call 方法

用Module构造的对象，会自动根据计算图，实现backward的过程

使用pytorch实现线性回归

需要注意一些问题

• 1.#Module 中实现了forward，因此下方需要重写forward函数覆盖掉Module中的forward，因此LinearModel必须重写forward

# Module 中实现了forward，因此下方需要重写forward函数覆盖掉Module中的forward
# Linear 也构造于 Module，因此也是可调用对象
class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__()
        #torch.nn.Linear实际上在构造一个对象，包含了权重和偏置，继承自Module
        # (1,1)是指每一个输入样本x和每一个输出样本y的特征维度，这里数据集中的x和y的特征都是1维的
        # 该线性层需要学习的参数是w和b 获取w/b的方式分别是~linear.weight/linear.bias
        self.linear = torch.nn.Linear(1, 1)

    def forward(self, x):
        #self.linear(x) 在对象后面加（）意味着实现了一个可调用对象
        y_pred = self.linear(x)
        return y_pred

• 如果将torch.nn.MSELoss的参数设置为size_average=False，在pycharm中会报错size_average and reduce args will be deprecated, please use reduction=‘sum’ ，可能是因为编译器的原因导致

# 构造损失函数和优化器MSE
# MSELoss也继承自 nn.Module
#criterion = torch.nn.MSELoss(size_average=False)中不能设置size_average=False，会出现以下报错
#UserWarning: size_average and reduce args will be deprecated, please use reduction='sum' instead.
criterion = torch.nn.MSELoss(reduction='sum')
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # model.parameters()自动完成参数的初始化操作

• 模型训练的次数问题
  如果需要减少训练集的损失，可以加大训练次数，即 for epoch in range(1000)
  但是这种做法存在危险，因为训练集上的损失越来越小，测试集上的损失可能越来越大，产生过拟合问题

线性回归实现代码

import torch

# prepare dataset
# x,y是矩阵，3行1列 也就是说总共有3个数据，每个数据只有1个特征
x_data = torch.tensor([[1.0], [2.0], [3.0]])
y_data = torch.tensor([[2.0], [4.0], [6.0]])


# Module 中实现了forward，因此下方需要重写forward函数覆盖掉Module中的forward
# Linear 也构造于 Module，因此也是可调用对象
class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__()
        #torch.nn.Linear实际上在构造一个对象，包含了权重和偏置，继承自Module
        # (1,1)是指每一个输入样本x和每一个输出样本y的特征维度，这里数据集中的x和y的特征都是1维的
        # 该线性层需要学习的参数是w和b 获取w/b的方式分别是~linear.weight/linear.bias
        self.linear = torch.nn.Linear(1, 1)

    def forward(self, x):
        #self.linear(x) 在对象后面加（）意味着实现了一个可调用对象
        y_pred = self.linear(x)
        return y_pred

#model是一个callable，即可调用的对象，可以model（x）
model = LinearModel()

# 构造损失函数和优化器MSE
# MSELoss也继承自 nn.Module
#criterion = torch.nn.MSELoss(size_average=False)中不能设置size_average=False，会出现以下报错
#UserWarning: size_average and reduce args will be deprecated, please use reduction='sum' instead.
criterion = torch.nn.MSELoss(reduction='sum')
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # model.parameters()自动完成参数的初始化操作


# 如果需要减少训练集的损失，可以加大训练次数，即 for epoch in range(1000)
# 但是这种做法存在危险，因为训练集上的损失越来越小，测试集上的损失可能越来越大，产生过拟合问题
for epoch in range(100):
    y_pred = model(x_data)  # forward:predict
    loss = criterion(y_pred, y_data)  # forward: loss
    print(epoch, loss.item())

    optimizer.zero_grad()
    loss.backward()  # backward: autograd，自动计算梯度
    optimizer.step()  # update 参数，即更新w和b的值

print('w = ', model.linear.weight.item())#weight是一个矩阵，所以取值需要调用item()
print('b = ', model.linear.bias.item())

x_test = torch.tensor([[4.0]])
y_test = model(x_test)
print('y_pred = ', y_test.data)

运行结果

0 35.37689208984375
1 15.92350959777832
2 7.260907173156738
3 3.402086019515991
4 1.6818101406097412
5 0.9135867357254028
6 0.569225549697876
。。。。。。。。。。。。
94 0.08291453868150711
95 0.08172288537025452
96 0.08054838329553604
97 0.07939067482948303
98 0.07824991643428802
99 0.07712534815073013
w =  1.8151198625564575
b =  0.4202759563922882
y_pred =  tensor([[7.6808]])