import torch
import matplotlib.pyplot as plt
torch.manual_seed(10)
lr = 0.05 # 学习率
# 创建训练数据
x = torch.rand(20, 1) * 10 # x data (tensor), shape=(20, 1)
# torch.randn(20, 1) 用于添加噪声
y = 2*x + (5 + torch.randn(20, 1)) # y data (tensor), shape=(20, 1)
# 构建线性回归参数
w = torch.randn((1), requires_grad=True) # 设置梯度求解为 true
b = torch.zeros((1), requires_grad=True) # 设置requires_grad梯度求解为 true
#此Tensor的梯度将累积到.grad属性中。
# 迭代训练 1000 次
for iteration in range(1000):
# 前向传播，计算预测值
wx = torch.mul(w, x)
y_pred = torch.add(wx, b)
# 计算 MSE loss
loss = (0.5 * (y - y_pred) ** 2).mean()
# 反向传播
loss.backward()
# 更新参数
#b.data.sub_(lr * b.grad)
b -= lr * b.grad
#w.data.sub_(lr * w.grad)
w -= lr * w.grad
# 每次更新参数之后，都要清零张量的梯度
w.grad.zero_() #此Tensor的梯度将累积到.grad属性中。
b.grad.zero_()
# 绘图，每隔 20 次重新绘制直线
if iteration % 20 == 0:
plt.scatter(x.data.numpy(), y.data.numpy())
plt.plot(x.data.numpy(), y_pred.data.numpy(), 'r-', lw=5)
plt.text(2, 20, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})
plt.xlim(1.5, 10)
plt.ylim(8, 28)
plt.title("Iteration: {}\nw: {} b: {}".format(iteration, w.data.numpy(), b.data.numpy()))
plt.pause(0.5)
# 如果 MSE 小于 1，则停止训练
if loss.data.numpy() < 1:
break
#%matplotlib inline
import random
import torch
from d2l import torch as d2l
import matplotlib.pyplot as plt
#1 构造样本数据
def synthetic_data(w, b, num_examples): #@save
#num_examples 数据样本数目
"""生成y=Xw+b+噪声"""
'''
torch.normal()
Mean ( float ) – 所有分布的平均值
std ( float ) – 所有分布的标准差
size ( int ... ) – 定义输出张量形状的整数序列。
'''
X = torch.normal(0, 1, (num_examples, len(w)))# 生成x数值 w (w1,w2) 和 x（x1,x2）保持一致
y = torch.matmul(X, w) + b #y真值
y += torch.normal(0, 0.01, y.shape) #y添加噪声
return X, y.reshape((-1, 1))
#true_w = torch.tensor([2, -3.4]) #真值
true_w = torch.tensor([2.0,2.0 ]) #真值
true_b = 1.0 # 真值
x_features, y_labels = synthetic_data(true_w, true_b, 100)
#print('features[0]:', x_features[0],'\nlabel:', y_labels[0])
# 2 可视化样本数据
ax = plt.figure().add_subplot(projection='3d')
x1=x_features.data.numpy()[:,0]
x2=x_features.data.numpy()[:,1]
y=y_labels.data.numpy()[:,0]
print("x1\n",x1,"\nx2\n",x2,"\ny\n",y)
ax.plot(x1, x2, y, label='x1 x2 -- y')
ax.legend()
plt.show()
plt.pause(3)
# 3 加载数据 打乱集中数据的样本并以小批量的方式获取数据
#训练模型的时候要对数据集进行遍历，每次抽取一个批量样本，并用它们来更新我们的模型。
def data_iter(batch_size, features, labels):
num_examples = len(features)
indices = list(range(num_examples))# 0-len(x_features)
# 这些样本是随机读取的，没有特定的顺序
random.shuffle(indices)
for i in range(0, num_examples, batch_size):
batch_indices = torch.tensor(indices[i: min(i + batch_size, num_examples)])
yield features[batch_indices], labels[batch_indices]
batch_size = 10 #接收批量大小
for X, y in data_iter(batch_size, x_features, y_labels):
print("随机每次抽取batch_size组数据 样本 x y",X, '\n', y)
break
#定义模型
def linreg(X, w, b): #@save
"""线性回归模型"""
return torch.matmul(X, w) + b
#定义损失函数
def squared_loss(y_hat, y): #@save
"""均方损失"""
return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2
#定义优化算法
def sgd(params, lr, batch_size): #@save
"""小批量随机梯度下降"""
with torch.no_grad():
for param in params:
param -= lr / batch_size * param.grad #朝着减少损失的方向更新我们的参数
param.grad.zero_()## 每次更新参数之后，都要清零张量的梯度 #此Tensor的梯度将累积到.grad属性中。
# 更新参数
#b.data.sub_(lr * b.grad)
#w.data.sub_(lr * w.grad)
#训练
#相同的训练过程几乎一遍又一遍地出现。
#迭代中，我们读取一个批量训练样本，并通过我们的模型来获得一组预测。
# 计算完成损失后，我们开始反向传播，每个存储参数的增量。
# 最后，我们调用优化算法来更新sgd模型参数。
# 4 初始化模型参数
#我们通过从均值为0、标准差为0.01的正态分布中采样随机数来初始化权重，支付重置为0。
w = torch.normal(0, 0.01, size=(2,1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)
lr = 0.03 #
num_epochs = 3 #迭代周期（epoch） batch_size 10 ci
net = linreg
loss = squared_loss
for epoch in range(num_epochs):
for X_i, y_i in data_iter(batch_size, x_features, y_labels):
y_predict=net(X_i, w, b)
l = loss(y_predict, y_i) # X和y的小批量损失
# 因为l形状是(batch_size,1)，而不是一个标量。l中的所有元素被加到一起，
# 并以此计算关于[w,b]的梯度
l=l.sum()
l.backward()
sgd([w, b], lr, batch_size) # 使用参数的梯度更新参数
with torch.no_grad():
train_l = loss(net(x_features, w, b), y_labels)
print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')
print(f'w的估计误差: {true_w - w.reshape(true_w.shape)}')
print(f'b的估计误差: {true_b - b}')
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)
#读取数据集
def load_array(data_arrays, batch_size, is_train=True): #@save
"""构造一个PyTorch数据迭代器"""
dataset = data.TensorDataset(*data_arrays)
return data.DataLoader(dataset, batch_size, shuffle=is_train)
batch_size = 10
data_iter = load_array((features, labels), batch_size)
#定义模型
# nn是神经网络的缩写
from torch import nn
#第一个指定输入特征形状，即2，第二个指定输出特征形状，特征输出形状为单个标量，故为1。
net = nn.Sequential(nn.Linear(2, 1))
#初始化模型参数
#权重参数应该从均值0、标准差为0.01的正态分配中随机采样，偏置参数将初始化为均匀。
net[0].weight.data.normal_(0, 0.01) #w
net[0].bias.data.fill_(0) #b
#定义损失函数 2 范数
loss = nn.MSELoss()
#定义优化算法
trainer = torch.optim.SGD(net.parameters(), lr=0.03)
#训练
'''
在每个迭代周期里，我们将完整遍历一次数据集（train_data），不停地获取一个小批量的输入和相应的标签
'''
num_epochs = 3
for epoch in range(num_epochs):
for X, y in data_iter:
l = loss(net(X) ,y) #通过调用net(X)生成预测并计算损失l（前向传播）。
trainer.zero_grad() #clear
l.backward() #通过进行逆向传播来计算最小值。
trainer.step() #通过调用优化器来更新模型参数。
l = loss(net(features), labels)
#为了更好的快速训练效果，我们计算每个迭代周期后的损失，并将其打印出来监控训练过程。
print(f'epoch {epoch + 1}, loss {l:f}')
#比较获得的模型参数
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)