PyTorch实战案例（一）——利用PyTorch实现线性回归算法（基础）

一、案例描述

学习一门编程语言最快速的途径便是学习案例，然后自己再独立去实现案例，本文将介绍PyTorch的第一个实战案例——线性回归算法。 案例为：利用PyTorch设计神经网络拟合直线y=Wx+b，其中W=[2,-3.4]T ， b=4.2。 该案例有两个特征，分别是W的两个维度，有一个标签，为输出y。

二、代码详解 2.1 根据直线方程构造数据集

定义构造数据集函数：

#根据带有噪声的线性模型构造一个人造数据集
def synthetic_data(w,b,num_examples):
    '''生成y=wx+b+e(噪声)'''
    x=torch.normal(0,1,(num_examples,len(w)))  # 形状:num_examples*len(w)
    y=torch.matmul(x,w)+b                      # 形状:num_examples
    y+=torch.normal(0,0.01,y.shape)
    return x,y.reshape(-1,1) #将y转成列向量

首先，初始化服从正态分布的随机数据x，形状为num_examples*len(w)，然后计算相应的y，最后再加入随机噪声，以增强生成的数据的通用性，此时的y是一个行向量，最后返回x和转成列向量的y

接着，将w和b的真实值传入构造数据集，构造400个数据集样本：

# y=Wx+b     W=[2,-3.4]T     b=4.2
true_w=torch.tensor([2,-3.4])
true_b=4.2
n=400    #样本数量
features,labels=synthetic_data(true_w,true_b,n)  #生成数据features和labels

我们可以打印输出x和y的尺寸：

print(features.size(),labels.size())

尺寸如下： torch.Size([400, 2]) torch.Size([400, 1])

我们也可以利用matplotlib库对features和labels进行可视化操作：

# 将features和labels进行可视化
plt.figure(figsize = (12,5))
ax1 = plt.subplot(121)
ax1.scatter(features[:,0],labels, c = "b",label = "features[:,0]")
ax1.legend()
plt.xlabel("x1")
plt.ylabel("y",rotation = 0)

ax2 = plt.subplot(122)
ax2.scatter(features[:,1],labels, c = "g",label = "features[:,1]")
ax2.legend()
plt.xlabel("x2")
plt.ylabel("y",rotation = 0)

运行结果：

2.2 构建数据迭代器

定义PyTorch数据迭代器函数：

def load_array(data_arrays,batch_size,is_train=True):
    '''构造一个PyTorch数据迭代器'''
    dataset=data.TensorDataset(*data_arrays)  #将样本数据和样本标签包装成datasets
    return data.DataLoader(dataset,batch_size,shuffle=is_train)  #加载包装好的数据集

TensorDataset 函数可以用来对 tensor 进行打包，就好像 python 中的 zip 功能，其用法如下： torch.utils.data.TensorDataset(data_tensor, target_tensor)

• data_tensor：样本数据
• target_tensor：样本标签

该函数的用法是将样本数据data_tensor和样本标签target_tensor进行包装。 【注意】：TensorDataset函数经常与DataLoader函数结合使用 包装完毕后，利用DataLoader加载数据，并对数据进行采样，生成batch迭代器： torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False）

• dataset：加载数据的数据集，常用人造数据集TensorDataset函数或封装数据集datasets.MNIST等结合使用
• batch_size：每个batch加载多少个样本(默认: 1)，即从数据库中每次抽取batch_size个样本
• shuffle：设置是否对数据进行打乱（默认为False），如果设置为True则对数据进行打乱

定义完成数据迭代器后，将先前生成的features和labels传入该函数：

batch_size=10
data_iter=load_array((features,labels),batch_size)  #从datasets中抽取batch_size个数据

我们可以抽取抽取数据集中的第一个data_iter，包含10个features和10个labels，查看一下他们的内容：

next(iter(data_iter))  #抽取数据集中的第一个data_iter，包含10个features和10个labels

运行结果： [tensor([[-0.0977, 0.2305], [ 1.5306, -0.5823], [-1.2912, 0.1854], [-2.5628, -0.7940], [-0.5865, 0.6999], [-0.3598, 2.8408], [ 0.1976, -1.5368], [-0.1743, 0.0667], [-1.0448, -1.5595], [ 0.4903, 0.1679]]), tensor([[ 3.2290], [ 9.2385], [ 0.9945], [ 1.7771], [ 0.6469], [-6.1814], [ 9.8219], [ 3.6375], [ 7.4208], [ 4.6111]])]

2.3 构建神经网络层并进行初始化

定义一个单层神经网络：

#使用预定义好的层
from torch import nn
net=nn.Sequential(nn.Linear(2,1))  # 全连接层

可以初始化模型参数（也可以不进行初始化）：

#初始化模型参数（可选可不选）
net[0].weight.data.normal_(0,0.01)  #正态分布
net[0].bias.data.fill_(0)           #全零

然后定义损失函数MSEloss：

#损失函数
loss=nn.MSELoss()

定义SGD优化器：

optimizer=torch.optim.SGD(net.parameters(),lr=0.03)#实例化SGD优化器

2.4 开始训练

开始训练代码如下：

#开始训练
#开始训练
num_epochs=5
for epoch in range(num_epochs):
    for x,y in data_iter:
        l=loss(net(x),y)
        optimizer.zero_grad()  #梯度清零
        l.backward()         #进行反向传播
        optimizer.step()       #模型更新
    l=loss(net(features),labels)
    print(f'epoch{epoch+1},loss{l:f}')

训练的基本流程如上所示，首先计算以下网络和真实标签的损失，然后将优化器的梯度清零，对损失进行反向传播，优化器进行模型更新，如此贩毒迭代epoch次，每次迭代完成后计算最终损失l，然后打印输出迭代次数和损失。 运行结果如下： epoch1,loss0.000102 epoch2,loss0.000101 epoch3,loss0.000102 epoch4,loss0.000101 epoch5,loss0.000101

2.5 输出结果验证

运行完成后，可以查看最终的w和b：

net[0].weight.data

运行结果：tensor([[ 1.9995, -3.4004]])

net[0].bias.data

运行结果： tensor([4.2002])

查看一下二者的误差：

print(f'w的估计误差:{true_w-net[0].weight.data}')
print(f'b的估计误差:{true_b-net[0].bias.data}')

运行结果： w的估计误差:tensor([[0.0005, 0.0004]]) b的估计误差:tensor([-0.0002])

2.6 输出结果可视化

利用最终训练出来的w和b可以进行最终输出结果可视化：

#结果可视化
plt.figure(figsize = (12,5))
ax1 = plt.subplot(121)
ax1.scatter(features[:,0],labels, c = "b",label = "features[:,0]")
ax1.plot(features[:,0],net[0].weight.data[:,0]*features[:,0]+net[0].bias.data,"-r",linewidth = 5.0,label = "model")
ax1.legend()
plt.xlabel("x1")
plt.ylabel("y",rotation = 0)


ax2 = plt.subplot(122)
ax2.scatter(features[:,1],labels, c = "g",label = "features[:,1]")
ax2.plot(features[:,1],net[0].weight.data[:,1]*features[:,1]+net[0].bias.data,"-r",linewidth = 5.0,label = "model")
ax2.legend()
plt.xlabel("x2")
plt.ylabel("y",rotation = 0)

运行结果： 蓝色和绿色分别表示输入训练的散点数据，红色直线表示训练后的w和b组成的直线。可以发现，线性回归对数据具有较强的拟合能力。

三、完整代码

完整代码可以参考：https://download.csdn.net/download/didi_ya/37378255

ok，以上便是本文的全部内容了，看完了之后记得一定要亲自独立动手实践一下呀~