pytorch线性回归的便捷实现

继上一篇blog，使用更加简洁的方法实现线性回归
生成数据集：

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)

读取数据：
与上一篇blog实现的方式不同，这里使用DataLoader()创建数据集

import torch.utils.data as Databatch_size = 10
# 将训练数据的特征和标签组合
dataset = Data.TensorDataset(features, labels)
# 随机读取小批量
data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)

定义模型：

class LinearNet(nn.Module):def __init__(self, n_feature):super(LinearNet, self).__init__()self.linear = nn.Linear(n_feature, 1) # 使用nn.Linear自动创建线性规划模型# forward 定义前向传播def forward(self, x):y = self.linear(x)return ynet = LinearNet(num_inputs)
print(net) # 使用print可以打印出网络的结构

输出网结构：

LinearNet((linear): Linear(in_features=2, out_features=1, bias=True)
)

还可以用nn.Sequential来更加方便地搭建网络，Sequential是一个有序的容器，网络层将按照在传入Sequential的顺序依次被添加到计算图中

# 写法一
net = nn.Sequential(nn.Linear(num_inputs, 1)# 此处还可以传入其他层)# 写法二
net = nn.Sequential()
net.add_module('linear', nn.Linear(num_inputs, 1))
# net.add_module(.....)# 写法三
from collections import OrderedDict
net = nn.Sequential(OrderedDict([('linear', nn.Linear(num_inputs, 1))# ......]))print(net)
print(net[0])

输出：

Sequential((linear): Linear(in_features=2, out_features=1, bias=True)
)
Linear(in_features=2, out_features=1, bias=True)

通过net.parameters()来查看模型所有的可学习参数，此函数将返回一个生成器

for param in net.parameters():print(param)

输出：

Parameter containing:
tensor([[-0.0277,  0.2771]], requires_grad=True)
Parameter containing:
tensor([0.3395], requires_grad=True)

初始化参数

from torch.nn import initinit.normal_(net[0].weight, mean=0, std=0.01) # 初始化第一个变量
init.constant_(net[0].bias, val=0)  # 也可以直接修改bias的data: net[0].bias.data.fill_(0)

定义模型参数：

loss = nn.MSELoss() # 损失函数
import torch.optim as optim
optimizer = optim.SGD(net.parameters(), lr=0.03) # 定义优化器
print(optimizer)
# 调整学习率
for param_group in optimizer.param_groups:param_group['lr'] *= 0.1 # 学习率为之前的0.1倍

SGD (
Parameter Group 0dampening: 0lr: 0.03momentum: 0nesterov: Falseweight_decay: 0
)

训练模型：

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，等价于net.zero_grad()l.backward()optimizer.step()print('epoch %d, loss: %f' % (epoch, l.item()))

查看模型训练的参数：

dense = net[0]
print(true_w, dense.weight)
print(true_b, dense.bias)