d2l 线性回归的简洁实现

这篇具有很好参考价值的文章主要介绍了d2l 线性回归的简洁实现。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

线性回归的简洁实现

  • 上一节 张量:数据存储、线性代数;自动微分:计算梯度
  • 开源框架,可自动化基于梯度的学习算法中重复性的工作
  • 数据迭代器、损失函数、优化器、神经网络层
  • 使用深度学习框架简洁实现 线性回归模型 生成数据集

1. 生成数据集

import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l

true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000)

2. 调用框架现有api来读取数据

def load_array(data_arrays,batch_size,is_train=True):
    dataset = data.TensorDataset(*data_arrays)
    return data.DataLoader(dataset,batch_size,shuffle=is_train)#shuffle是否要随机打乱顺序
batch_size=10
data_iter=load_array((features,labels),batch_size)
next(iter(data_iter))#使用next从迭代器中获取第一项

3. 使用框架预定义好的层

  • 标准深度学习模型,使用框架预定义好的层
  • 关注用哪些层来构造模型,不必关注层的实现细节
  • Sequential类将多个层串联在一起,(标准的流水线)
    • 当给定输入数据时,Sequential实例将数据传入到第一层,
    • 然后将第一层输出作为第二层输入,以此类推
# nn 神经网络缩写
from torch import nn
# 线性回归 全连接层 (指定输入特征形状,指定输出特征形状)
# Sequential 容器
net=nn.Sequential(nn.Linear(2,1))

4. 初始化模型参数

  • 线性回归模型中的权重和偏置
# net 就是一个layer网络中的第一个图层, weight访问到w,normal使用正态分布替换掉data的值
net[0].weight.data.normal_(0, 0.01)
# bias偏差
net[0].bias.data.fill_(0)

5. 均方误差

  • MSELoss类 平方范数(L2范数)
  • 默认返回所有样本损失的平均值
loss=nnLMSELoss()

6. 实例化SGD实例(优化算法)

  • 小批量随机梯度下降,只需要设置lr值
# 通过net.parameters()从模型中获得
trainer = torch.optim.SGD(net.parameters(), lr=0.03)

7. 训练

  • 不必单独分配参数;不必定义损失函数;不必手动实现小批量随机梯度下降
  • 复杂模型,有所有基本组件
     
  • 每个迭代周期
    • 完整遍历一次数据集
    • (从中获取一个小批量输入和相应的标签)
      • 调用net(x)生成预测并计算损失1(前向传播)
      • 通过反向传播计算梯度
      • 通过调用优化器来更新模型参数
    • 计算每个迭代周期后的损失,并打印它来监控训练过程
num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
        l = loss(net(X) ,y)
        trainer.zero_grad()
        l.backward()
        trainer.step()
    l = loss(net(features), labels)
    print(f'epoch {epoch + 1}, loss {l:f}')
  • 比较生成数据集的真实参数和通过有限数据集训练获得的模型参数
    • 从net访问所需的层,读取该层的权重和偏置
w = net[0].weight.data
print('w的估计误差:', true_w - w.reshape(true_w.shape))
b = net[0].bias.data
print('b的估计误差:', true_b - b)

文章来源地址https://www.toymoban.com/news/detail-630185.html

到了这里,关于d2l 线性回归的简洁实现的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 李沐《动手学深度学习》d2l——安装和使用

    今天想要跟着沐神学习一下循环神经网络,在跑代码的时候,d2l出现了问题,这里记录一下解决的过程,方便以后查阅。 下载whl :https://www.cnpython.com/pypi/d2l/dl-d2l-0.15.1-py3-none-any.whl 将下载的文件放到这里: 在这个文件中右键,选择“在终端中打开” 在终端中输入如下命令:

    2024年01月17日
    浏览(56)
  • python+pytorch+d2l 超详细安装攻略

    第一步首先在python官网下载适合自己电脑的python版本(注意x86是32位的,x86-64是64位的) 这里选择3.7版本 官网: www.python.org/downloads/ 在下面选取想要的版本 选择安装包:web-based安装包最小,是基于网络安装,下载快,executable是exe安装,embeddable zip是压缩包安装(注意x86是32位的,

    2024年02月13日
    浏览(58)
  • 卷积神经网络——下篇【深度学习】【PyTorch】【d2l】

    5.10.1、理论部分 批量归一化可以解决深层网络中梯度消失和收敛慢的问题,通过固定每个批次的均值和方差来加速收敛,一般不改变模型精度。批量规范化已经被证明是一种不可或缺的方法,它适用于几乎所有图像分类器。 批量规划是一个线性变换 ,把参数的均值方差给拉

    2024年02月12日
    浏览(44)
  • 卷积神经网络——上篇【深度学习】【PyTorch】【d2l】

    5.1.1、理论部分 全连接层后,卷积层出现的意义? 一个足够充分的照片数据集,输入,全连接层参数,GPU成本,训练时间是巨大的。 (convolutional neural networks,CNN)是机器学习利用自然图像中一些已知结构的创造性方法,需要更少的参数,在处理图像和其他类型的结构化数据

    2024年02月12日
    浏览(43)
  • 卷积神经网络——中篇【深度学习】【PyTorch】【d2l】

    5.5.1、理论部分 两个⌈ 卷积块 ⌋ 每个卷积块中的基本单元是一个⌈ 卷积层 ⌋、一个 ⌈ sigmoid激活函数 ⌋和 ⌈ 平均汇聚层 ⌋ 三个⌈ 全连接层密集块 ⌋ 早期神经网络,先使用卷积层学习图片空间信息,然后全连接层转换到类别空间。 5.5.2、代码实现 定义一个 Sequential块

    2024年02月11日
    浏览(53)
  • 李沐深度学习环境安装(包括pytorch和d2l)

    进入Anaconda官网下载:https://www.anaconda.com/distribution/ 安装细节不在这赘述,和一般软件相同。如下图注意点 最后检测是否安装成功,打开cmd命令行输入 conda --version ,如下图显示版本即为安装成功 2.1 切换到国内镜像源,分别输入以下4行代码: 2.2 创建pytorch环境 创建pytorch环境

    2024年02月13日
    浏览(42)
  • d2l_第九章_RNN循环神经网络

    经过前面的学习,我们已知数据大于算法。而以数据为驱动的前提下,我们提出了各种模型。为了适配表格数据,提出了MLP;为了适配图像数据提出了CNN;而对了适配序列数据,我们提出了RNN。 目前为止的数据的样本都符合iid独立同分布特点,但是对于音频,文本中的单词等

    2024年02月12日
    浏览(42)
  • d2l_第八章学习_现代卷积神经网络

    参考: d2l 研究人员认为: 更大更干净的 数据集 或是稍加改进的特征提取方法,比任何学习算法带来的进步大得多。 认为特征本身应该被学习,即卷积核参数应该是可学习的。 创新点在于GPU与更深的网络,使用ReLU激活函数,Dropout层。 可参考: AlexNet https://blog.csdn.net/qq_4

    2024年02月11日
    浏览(47)
  • D2L学习记录-10-词嵌入word2vec

    《动手学深度学习 Pytorch 第1版》第10章 自然语言处理 第1、2、3 和 4节 (词嵌入) 词向量:自然语言中,词是表义的基本单元。词向量是用来表示词的向量。 词嵌入 (word embedding):将词映射为实数域向量的技术称为词嵌入。 词嵌入出现的原因:由于 one-hot 编码的词向量不能准确

    2024年02月14日
    浏览(46)
  • 补充d2l.torch库里面缺失train_ch3函数

    在最新版本1.0.3,上 遇到d2l.torch库里面缺失train_ch3函数,下面是个人写的替代补充函数可以完全平替。 所有函数都放在util.py文件中 直接调用即可 找个位置放就行

    2024年02月05日
    浏览(76)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包