3.3 線性回歸的簡潔實現 · 動手學深度學習--pytorch

# 3.3 線性回歸的簡潔實現隨著深度學習框架的發展，開發深度學習應用變得越來越便利。實踐中，我們通常可以用比上一節更簡潔的代碼來實現同樣的模型。在本節中，我們將介紹如何使用PyTorch更方便地實現線性回歸的訓練。 ## 3.3.1 生成數據集我們生成與上一節中相同的數據集。其中`features`是訓練數據特征，`labels`是標簽。 ``` 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 讀取數據 PyTorch提供了`data`包來讀取數據。由于`data`常用作變量名，我們將導入的`data`模塊用`Data`代替。在每一次迭代中，我們將隨機讀取包含10個數據樣本的小批量。 ``` python import torch.utils.data as Data batch_size = 10 # 將訓練數據的特征和標簽組合 dataset = Data.TensorDataset(features, labels) # 隨機讀取小批量 data_iter = Data.DataLoader(dataset, batch_size, shuffle=True) ``` 這里`data_iter`的使用跟上一節中的一樣。讓我們讀取并打印第一個小批量數據樣本。 ``` python for X, y in data_iter: print(X, y) break ``` 輸出： ``` 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 定義模型在上一節從零開始的實現中，我們需要定義模型參數，并使用它們一步步描述模型是怎樣計算的。當模型結構變得更復雜時，這些步驟將變得更繁瑣。其實，PyTorch提供了大量預定義的層，這使我們只需關注使用哪些層來構造模型。下面將介紹如何使用PyTorch更簡潔地定義線性回歸。首先，導入`torch.nn`模塊。實際上，“nn”是neural networks（神經網絡）的縮寫。顧名思義，該模塊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`的核心數據結構是`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`實例應該包含一些層以及返回輸出的前向傳播（forward）方法。下面先來看看如何用`nn.Module`實現一個線性回歸模型。 ``` python class LinearNet(nn.Module): def __init__(self, n_feature): super(LinearNet, self).__init__() self.linear = nn.Linear(n_feature, 1) # forward 定義前向傳播 def forward(self, x): y = self.linear(x) return y net = LinearNet(num_inputs) print(net) # 使用print可以打印出網絡的結構 ``` 輸出： ``` LinearNet( (linear): Linear(in_features=2, out_features=1, bias=True) ) ``` 事實上我們還可以用`nn.Sequential`來更加方便地搭建網絡，`Sequential`是一個有序的容器，網絡層將按照在傳入`Sequential`的順序依次被添加到計算圖中。 ``` python # 寫法一 net = nn.Sequential( nn.Linear(num_inputs, 1) # 此處還可以傳入其他層 ) # 寫法二 net = nn.Sequential() net.add_module('linear', nn.Linear(num_inputs, 1)) # net.add_module ...... # 寫法三 from collections import OrderedDict net = nn.Sequential(OrderedDict([ ('linear', nn.Linear(num_inputs, 1)) # ...... ])) print(net) print(net[0]) ``` 輸出： ``` Sequential( (linear): Linear(in_features=2, out_features=1, bias=True) ) Linear(in_features=2, out_features=1, bias=True) ``` 可以通過`net.parameters()`來查看模型所有的可學習參數，此函數將返回一個生成器。 ``` python for param in net.parameters(): print(param) ``` 輸出： ``` Parameter containing: tensor([[-0.0277, 0.2771]], requires_grad=True) Parameter containing: tensor([0.3395], requires_grad=True) ``` 回顧圖3.1中線性回歸在神經網絡圖中的表示。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。因此，線性回歸的輸出層又叫全連接層。 > 注意：`torch.nn`僅支持輸入一個batch的樣本不支持單個樣本輸入，如果只有單個樣本，可使用`input.unsqueeze(0)`來添加一維。 ## 3.3.4 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`模塊中提供了多種參數初始化方法。這里的`init`是`initializer`的縮寫形式。我們通過`init.normal_`將權重參數每個元素初始化為隨機采樣于均值為0、標準差為0.01的正態分布。偏差會初始化為零。 ``` 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) ``` ## 3.3.5 定義損失函數 PyTorch在`nn`模塊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也將這些損失函數實現為`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。 ``` python loss = nn.MSELoss() ``` ## 3.3.6 定義優化算法同樣，我們也無須自己實現小批量隨機梯度下降算法。`torch.optim`模塊提供了很多常用的優化算法比如SGD、Adam和RMSProp等。下面我們創建一個用于優化`net`所有參數的優化器實例，并指定學習率為0.03的小批量隨機梯度下降（SGD）為優化算法。 ``` python import torch.optim as optim optimizer = optim.SGD(net.parameters(), lr=0.03) print(optimizer) ``` 輸出： ``` 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置不同的學習率，這在finetune時經常用到。例： ``` python optimizer =optim.SGD([ # 如果對某個參數不指定學習率，就使用最外層的默認學習率 {'params': net.subnet1.parameters()}, # lr=0.03 {'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——新建優化器，由于optimizer十分輕量級，構建開銷很小，故而可以構建新的optimizer。但是后者對于使用動量的優化器（如Adam），會丟失動量等狀態信息，可能會造成損失函數的收斂出現震蕩等情況。 ``` python # 調整學習率 for param_group in optimizer.param_groups: param_group['lr'] *= 0.1 # 學習率為之前的0.1倍 ``` ## 3.3.7 訓練模型在使用Gluon訓練模型時，我們通過調用`optim`實例的`step`函數來迭代模型參數。按照小批量隨機梯度下降的定義，我們在`step`函數中指明批量大小，從而對批量中樣本梯度求平均。 ``` 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，等價于net.zero_grad() l.backward() optimizer.step() print('epoch %d, loss: %f' % (epoch, l.item())) ``` 輸出： ``` epoch 1, loss: 0.000457 epoch 2, loss: 0.000081 epoch 3, loss: 0.000198 ``` 下面我們分別比較學到的模型參數和真實的模型參數。我們從`net`獲得需要的層，并訪問其權重（`weight`）和偏差（`bias`）。學到的參數和真實的參數很接近。 ``` python dense = net[0] print(true_w, dense.weight) print(true_b, dense.bias) ``` 輸出： ``` [2, -3.4] tensor([[ 1.9999, -3.4005]]) 4.2 tensor([4.2011]) ``` ## 小結 * 使用PyTorch可以更簡潔地實現模型。 * `torch.utils.data`模塊提供了有關數據處理的工具，`torch.nn`模塊定義了大量神經網絡的層，`torch.nn.init`模塊定義了各種初始化方法，`torch.optim`模塊提供了模型參數初始化的各種方法。 ----------- > 注：本節除了代碼之外與原書基本相同，[原書傳送門](https://zh.d2l.ai/chapter_deep-learning-basics/linear-regression-gluon.html)