Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
d2l-zh
提交
4f14fcb8
D
d2l-zh
项目概览
OpenDocCN
/
d2l-zh
通知
2
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
D
d2l-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
提交
4f14fcb8
编写于
9月 05, 2018
作者:
A
Aston Zhang
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
2pass linreg scratch
上级
49c591f6
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
20 addition
and
22 deletion
+20
-22
chapter_deep-learning-basics/linear-regression-scratch.md
chapter_deep-learning-basics/linear-regression-scratch.md
+20
-22
未找到文件。
chapter_deep-learning-basics/linear-regression-scratch.md
浏览文件 @
4f14fcb8
...
...
@@ -14,7 +14,7 @@ from mxnet import autograd, nd
## 生成数据集
我们构造一个简单的人工训练数据集,它可以使我们能够直观比较学到的参数和真实的模型参数的区别。设训练数据集样本数为1000,输入
特征个数
为2。给定随机生成的批量样本特征$
\b
oldsymbol{X}
\i
n
\m
athbb{R}^{1000
\t
imes 2}$,我们使用线性回归模型真实权重$
\b
oldsymbol{w} = [2, -3.4]^
\t
op$和偏差$b = 4.2$,以及一个随机噪音项$
\e
psilon$来生成标签
我们构造一个简单的人工训练数据集,它可以使我们能够直观比较学到的参数和真实的模型参数的区别。设训练数据集样本数为1000,输入
个数(特征数)
为2。给定随机生成的批量样本特征$
\b
oldsymbol{X}
\i
n
\m
athbb{R}^{1000
\t
imes 2}$,我们使用线性回归模型真实权重$
\b
oldsymbol{w} = [2, -3.4]^
\t
op$和偏差$b = 4.2$,以及一个随机噪音项$
\e
psilon$来生成标签
$$
\b
oldsymbol{y} =
\b
oldsymbol{X}
\b
oldsymbol{w} + b +
\e
psilon,$$
...
...
@@ -44,15 +44,15 @@ def use_svg_display():
display.set_matplotlib_formats('svg')
def set_figsize(figsize=(3.5, 2.5)):
# 设置图的尺寸。
use_svg_display()
# 设置图的尺寸。
plt.rcParams['figure.figsize'] = figsize
set_figsize()
plt.scatter(features[:, 1].asnumpy(), labels.asnumpy(), 1);
```
我们将上面的
`plt`
作图函数以及
`use_svg_display`
和
`set_figsize`
函数定义在
`gluonbook`
包里。以后在作图时,我们将直接调用
`gluonbook.plt`
。由于
`plt`
在
`gluonbook`
包中是一个全局变量,我们在作图前只需要调用
`gluonbook.set_figsize()`
即可打印
高清
图并设置图的尺寸。
我们将上面的
`plt`
作图函数以及
`use_svg_display`
和
`set_figsize`
函数定义在
`gluonbook`
包里。以后在作图时,我们将直接调用
`gluonbook.plt`
。由于
`plt`
在
`gluonbook`
包中是一个全局变量,我们在作图前只需要调用
`gluonbook.set_figsize()`
即可打印
矢量
图并设置图的尺寸。
## 读取数据
...
...
@@ -82,14 +82,14 @@ for X, y in data_iter(batch_size, features, labels):
## 初始化模型参数
我们将权重初始化成均值0标准差为0.01的正态随机数,偏差则初始化成0。
我们将权重初始化成均值
为
0标准差为0.01的正态随机数,偏差则初始化成0。
```
{.python .input n=7}
w = nd.random.normal(scale=0.01, shape=(num_inputs, 1))
b = nd.zeros(shape=(1,))
```
之后
训练时我们需要对这些参数求梯度来迭代它们
的值,因此我们需要创建它们的梯度。
之后
的模型训练中,我们需要对这些参数求梯度来迭代参数
的值,因此我们需要创建它们的梯度。
```
{.python .input n=8}
w.attach_grad()
...
...
@@ -101,8 +101,7 @@ b.attach_grad()
下面是线性回归的矢量计算表达式的实现。我们使用
`dot`
函数做矩阵乘法。
```
{.python .input n=9}
# 本函数已保存在 gluonbook 包中方便以后使用。
def linreg(X, w, b):
def linreg(X, w, b): # 本函数已保存在 gluonbook 包中方便以后使用。
return nd.dot(X, w) + b
```
...
...
@@ -111,25 +110,25 @@ def linreg(X, w, b):
我们使用上一节描述的平方损失来定义线性回归的损失函数。在实现中,我们需要把真实值
`y`
变形成预测值
`y_hat`
的形状。以下函数返回的结果也将和
`y_hat`
的形状相同。
```
{.python .input n=10}
# 本函数已保存在 gluonbook 包中方便以后使用。
def squared_loss(y_hat, y):
def squared_loss(y_hat, y): # 本函数已保存在 gluonbook 包中方便以后使用。
return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2
```
## 定义优化算法
以下的
`sgd`
函数实现了上一节中介绍的小批量随机梯度下降算法。它通过不断
更新模型参数来优化损失函数。这里自动求导模块计算得来的梯度是一个批量样本的梯度和,我们除以批量大小来得到平均值。这样使用不同批量大小
`batch_size`
的时候对优化算法的影响将变小,例如学习率
`lr`
将不会过于敏感
。
以下的
`sgd`
函数实现了上一节中介绍的小批量随机梯度下降算法。它通过不断
迭代模型参数来优化损失函数。这里自动求导模块计算得来的梯度是一个批量样本的梯度和。我们将它除以批量大小来得到平均值
。
```
{.python .input n=11}
# 本函数已保存在 gluonbook 包中方便以后使用。
def sgd(params, lr, batch_size):
def sgd(params, lr, batch_size): # 本函数已保存在 gluonbook 包中方便以后使用。
for param in params:
param[:] = param - lr * param.grad / batch_size
```
## 训练模型
现在我们可以开始训练模型了。在训练中,我们将有限次地迭代模型参数。在每次迭代中,我们根据当前读取的小批量数据样本(特征
`features`
和标签
`label`
),通过调用反向函数
`backward`
计算小批量随机梯度,并调用优化算法
`sgd`
迭代模型参数。在一个迭代周期(epoch)中,我们将完整遍历一遍
`data_iter`
函数,并对训练数据集中所有样本都使用一次(假设样本数能够被批量大小整除)。这里的迭代周期数
`num_epochs`
和学习率
`lr`
都是超参数,分别设3和0.03。在实践中,大多超参数都需要通过反复试错来不断调节。当迭代周期数设的越大时,虽然模型可能更有效,但是训练时间可能过长。而有关学习率对模型的影响,我们会在后面“优化算法”一章中详细介绍。
在训练中,我们将多次迭代模型参数。在每次迭代中,我们根据当前读取的小批量数据样本(特征
`X`
和标签
`y`
),通过调用反向函数
`backward`
计算小批量随机梯度,并调用优化算法
`sgd`
迭代模型参数。由于我们之前设批量大小
`batch_size`
为10,每个小批量的损失
`l`
的形状为(10,1)。回忆一下
[
“自动求梯度”
](
../chapter_prerequisite/autograd.md
)
一节。由于变量
`l`
并不是一个标量,运行
`l.backward()`
将对
`l`
中元素求和得到新的变量,再求该变量有关模型参数的梯度。
在一个迭代周期(epoch)中,我们将完整遍历一遍
`data_iter`
函数,并对训练数据集中所有样本都使用一次(假设样本数能够被批量大小整除)。这里的迭代周期个数
`num_epochs`
和学习率
`lr`
都是超参数,分别设3和0.03。在实践中,大多超参数都需要通过反复试错来不断调节。当迭代周期数设的越大时,虽然模型可能更有效,但是训练时间可能过长。而有关学习率对模型的影响,我们会在后面“优化算法”一章中详细介绍。
```
{.python .input n=12}
lr = 0.03
...
...
@@ -142,11 +141,11 @@ for epoch in range(num_epochs): # 训练模型一共需要 num_epochs 个迭代
# X 和 y 分别是小批量样本的特征和标签。
for X, y in data_iter(batch_size, features, labels):
with autograd.record():
l = loss(net(X, w, b), y) # l 是有关小批量 X 和 y 的损失。
l.backward() # 小批量的损失对模型参数求
导
。
l = loss(net(X, w, b), y) # l 是有关小批量 X 和 y 的损失。
l.backward() # 小批量的损失对模型参数求
梯度
。
sgd([w, b], lr, batch_size) # 使用小批量随机梯度下降迭代模型参数。
l = loss(net(features, w, b), labels)
print('epoch %d, loss %f' % (epoch
+1,
l.mean().asnumpy()))
train_
l = loss(net(features, w, b), labels)
print('epoch %d, loss %f' % (epoch
+ 1, train_
l.mean().asnumpy()))
```
训练完成后,我们可以比较学到的参数和用来生成训练集的真实参数。它们应该很接近。
...
...
@@ -161,15 +160,14 @@ true_b, b
## 小结
我们现在看到,仅使用NDArray和
`autograd`
就可以很容易地实现一个模型。在接下来的章节中,我们会在此基础上描述更多深度学习模型,并介绍怎样使用更简洁的代码(例如下一节)
实现它们。
*
可以看出,仅使用NDArray和
`autograd`
就可以很容易地实现一个模型。在接下来的章节中,我们会在此基础上描述更多深度学习模型,并介绍怎样使用更简洁的代码(例如下一节)来
实现它们。
## 练习
*
为什么
`squared_loss`
函数中需要使用
`reshape`
?
*
尝试用不同的学习率查看损失函数值的下降速度。
*
回顾
[
“自动求梯度”
](
../chapter_prerequisite/autograd.md
)
一节。本节代码中变量
`l`
并不是一个标量,运行
`l.backward()`
将如何对模型参数求梯度?
*
如果样本个数不能被批量大小整除时会怎么样?
*
为什么
`squared_loss`
函数中需要使用
`reshape`
函数?
*
尝试使用不同的学习率,观察损失函数值的下降快慢。
*
如果样本个数不能被批量大小整除,
`data_iter`
函数的行为会有什么变化?
## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/743)
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录