1. 导入包
我们这次的任务是随机生成一些离散的点，然后用直线（y = w *x b ）去拟合
首先看一下我们需要导入的包有
torch 包为我们生成张量，可以使用反向传播
matplotlib.pyplot 包帮助我们绘制曲线，实现可视化
2. 生成数据
这里我们通过rand随机生成数据，因为生成的数据在0~1之间，这里我们扩大10倍。
我们设置的batch_size，也就是数据的个数为20个，所以这里会产生维度是(20,1)个训练样本
我们假设大概的回归是 y = 2 * x 3 的，为了保证损失不一直为0 ，这里我们添加一点噪音
最后返回x作为输入，y作为真实值label
rand [0，1]均匀分布
如果想要每次产生的随机数是一样的，可以在代码的前面设置一下随机数种子
3. 训练数据
首先，我们要建立的模型是线性的y = w * x b ，所以我们需要先初始化w ，b
使用randn 标准正态分布随机初始化权重w，将偏置b初始化为0
为什么将权重w随机初始化？
- 首先，为了抑制过拟合，提高模型的泛化能力，我们可以采用权重衰减来抑制权重w的大小。因为权重过大，对应的输入x的特征就越重要，但是如果对应x是噪音的话，那么系统就会陷入过拟合中。所以我们希望得到的模型曲线是一条光滑的，对输入不敏感的曲线，所以w越小越好
- 那这样为什么不直接把权重初始化为0，或者说很小很小的数字呢。因为，w太小的话，那么在反向传播的时候，由于我们习惯学习率lr 设置很小，那在更新w的时候基本就不更新了。而不把权重设置为0，是因为无论训练多久，在更新权重的时候，所有权重都会被更新成相同的值，这样多层隐藏层就没有意义了。严格来说，是为了瓦解权重的对称结构
接下来可以训练我们的模型了
1. 将输入的特征x和对应真实值label y通过zip函数打包。将输入x经过模型 w *x b 的预测输出预测值y
2. 计算损失函数loss，因为之前将w、b都是设置成会计算梯度的，那么loss.backward() 会自动计算w和b的梯度。用w的值data，减去梯度的值grad.data 乘上 学习率lr完成一次更新
3. 当w、b梯度不为零的话，要清零。这里有两种解释，第一种是每次计算完梯度后，值会和之前计算的梯度值进行累加，而我们只是需要当前这步的梯度值，所有我们需要将之前的值清零。第二种是，因为梯度的累加，那么相当于实现一个很大的batch训练。假如一个epoch里面，梯度不进行清零的话，相当于把所有的样本求和后在进行梯度下降，而不是我们原先使用的针对单个样本进行下降的SGD算法
4. 每100次迭代后，我们打印一下损失
4. 绘制图像
scatter 相当于离散点的绘图
要绘制连续的图像，只需要给个定义域然后通过表达式 w * x b 计算y就可以了，最后输出一下w和b，看看是不是和我们设置的w = 2，b =3 接近
5. 代码
import torch
import matplotlib.pyplot as plt
def trainSet(batch_size = 20): # 定义训练集
x = torch.rand(batch_size,1) * 10
y = x * 2 3 torch.randn(batch_size,1) # y = x * 2 3（近似）
return x,y
train_x, train_y = trainSet() # 训练集
w =torch.randn(1,requires_grad= True)
b = torch.zeros(1,requires_grad= True)
lr = 0.001
for epoch in range(1000):
for x,y in zip(train_x,train_y): # SGD算法，如果是BSGD的话，不需要这个for
y_pred = w*x b
loss = (y - y_pred).pow(2) / 2
loss.backward()
w.data -= w.grad.data * lr
b.data -= b.grad.data * lr
if w.data is not True: # 梯度值不为零的话，要清零
w.grad.data.zero_() # 否则相当于一个大的batch训练
if b.data is not True:
b.grad.data.zero_()
if epoch % 100 ==0:
print('loss:',loss.data)
plt.scatter(train_x,train_y)
x = torch.arange(0,11).view(-1,1)
y = x * w.data b.data
plt.plot(x,y)
plt.show()
print(w.data,b.data)输出的图像
输出的结果为
这里可以看的最后的w = 1.9865和b = 2.9857 和我们设置的2，3是接近的
到此这篇关于Python反向传播实现线性回归步骤详细讲解的文章就介绍到这了,更多相关Python线性回归内容请搜索Devmax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Devmax！