03_利用pytorch解決線性回歸問題

• 一、引言
• 二、利用torch解決線性回歸問題
  • 2.1 定義x和y
  • 2.2 自定制線性回歸模型類
  • 2.3 指定gpu或者cpu
  • 2.4 設定引數
  • 2.5 訓練
  • 2.6 保存模型
• 三、代碼匯總
• 四、總結

一、引言

上一篇文章我們利用numpy解決了線性回歸問題，我們能感覺到他的麻煩之處，很多數學性的方法都需要我們自己親手去實作，這對于數學不好的同學來說，簡直就是災難，讓你數學又好并且碼代碼能力又強，臣妾做不到呀！因此我們說到，可以利用torch這個框架簡化其中的很多操作，接下來就讓我們提前體驗下torch的強大，由于直接上代碼，有些代碼可能你可能看不懂，但沒關系，能看懂torch的強大就行，

由于上一篇已經詳細的介紹了線性回歸模型的流程，我們這里就不再次羅嗦了，直接把線性回歸的5個步驟貼過來：

1. 初始化未知變數\(w=b=0\)
2. 得到損失函式\(loss = \frac{1}{N}\sum_{i=1}^N{(\hat{y_i}-y_i)}^2\)
3. 利用梯度下降演算法更新得到\(w', b'\)
4. 重復步驟3，利用\(w', b'\)得到新的更優的\(w', b'\)，直至\(w', b'\)收斂
5. 最后得到函式模型\(f=w'*x+b'\)

但是這里為了體現torch的強大，我們使用了神經網路全連接層的概念，但是用的是一層網路，相信不會難倒你，有人很好奇，為什么我這樣做，我想說：如果不使用神經網路，我為什么不用sklearn框架做個線性回歸給你體驗下框架的強大呢？三行代碼一套搞定，而且一層神經網路可以看做是感知機模型，而感知機模型無非就是在線性回歸模型的基礎上加了一個sgn函式，

二、利用torch解決線性回歸問題

2.1 定義x和y

在下面的代碼中，我們定義的x和y都是ndarray資料的格式，所以在之后的處理之中需要通過torch的from_numpy()方法把ndarray格式的資料轉成tensor型別，

其中x為一維陣列，例如：[1,2,3,4,5,……]

其中y假設\(y=2*x+3\)

import numpy as np

# torch里要求資料型別必須是float
x = np.arange(1, 12, dtype=np.float32).reshape(-1, 1)
y = 2 * x + 3

2.2 自定制線性回歸模型類

由于torch內部封裝了線性回歸演算法，我們只需要繼承它給我們提供的模型類即可，然后通過Python中類的繼承做出一些靈活的改動，（如果你對繼承不熟悉，強烈推薦回爐重造Python）下面給出代碼：

import torch
import torch.nn as nn


# 繼承nn.module，實作前向傳播，線性回歸直接可以看做是全連接層
class LinearRegressionModel(nn.Module):
    def __init__(self, input_dim, output_dim):
        super().__init__()  # 繼承父類方法
        self.linear = nn.Linear(input_dim, output_dim)  # 定義全連接層，其中input_dim和output_dim是輸入和輸出資料的維數

    # 定義前向傳播演算法
    def forward(self, inp):
        out = self.linear(inp)  # 輸入x后，通過全連接層得到輸入出結果out
        return out  # 回傳被全連接層處理后的結果


# 定義線性回歸模型
regression_model = LinearRegressionModel(1, 1)  # x和y都是一維的

2.3 指定gpu或者cpu

# 可以通過to()或者cuda()使用GPU進行模型的訓練，需要將模型和資料都轉換到GPU上，也可以指定具體的GPU，如.cuda(1)
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
regression_model.to(device)

2.4 設定引數

epochs = 1000  # 訓練次數
learning_rate = 0.01  # 學習速率
optimizer = torch.optim.SGD(regression_model.parameters(), learning_rate)  # 優化器（未來會詳細介紹），這里使用隨機梯度下降演算法（SGD）
criterion = nn.MSELoss()  # 使用均方誤差定義損失函式

2.5 訓練

for epoch in range(epochs):
    # 資料型別轉換
    inputs = torch.from_numpy(x).to(device)  # 由于x是ndarray陣列，需要轉換成tensor型別，如果用gpu訓練，則會通過to函式把資料傳入gpu
    labels = torch.from_numpy(y).to(device)

    # 訓練
    optimizer.zero_grad()  # 每次求偏導都會清零，否則會進行疊加
    outputs = regression_model(inputs)  # 把輸入傳入定義的線性回歸模型中，進行前向傳播，得到預測結果
    loss = criterion(outputs, labels)  # 通過均方誤差評估預測誤差
    loss.backward()  # 反向傳播
    optimizer.step()  # 更新權重引數

    # 每50次回圈列印一次結果
    if epoch % 50 == 0:
        print("epoch:", epoch, "loss:", loss.item())

predict = regression_model(torch.from_numpy(x).requires_grad_()).data.numpy()  # 通過訓練好的模型預測結果

2.6 保存模型

torch.save(regression_model.state_dict(), "model.pk1")  # 保存模型
result = regression_model.load_state_dict(torch.load("model.pk1"))  # 加載模型

三、代碼匯總

# author : 'nickchen121';
# date: 14/4/2021 20:11

import numpy as np

# torch里要求資料型別必須是float
x = np.arange(1, 12, dtype=np.float32).reshape(-1, 1)
y = 2 * x + 3

import torch
import torch.nn as nn


# 繼承nn.module，實作前向傳播，線性回歸直接可以看做是全連接層
class LinearRegressionModel(nn.Module):
    def __init__(self, input_dim, output_dim):
        super().__init__()  # 繼承父類方法
        self.linear = nn.Linear(input_dim, output_dim)  # 定義全連接層，其中input_dim和output_dim是輸入和輸出資料的維數

    # 定義前向傳播演算法
    def forward(self, inp):
        out = self.linear(inp)  # 輸入x后，通過全連接層得到輸入出結果out
        return out  # 回傳被全連接層處理后的結果


# 定義線性回歸模型
regression_model = LinearRegressionModel(1, 1)  # x和y都是一維的

# 可以通過to()或者cuda()使用GPU進行模型的訓練，需要將模型和資料都轉換到GPU上，也可以指定具體的GPU，如.cuda(1)
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
regression_model.to(device)

epochs = 1000  # 訓練次數
learning_rate = 0.01  # 學習速率
optimizer = torch.optim.SGD(regression_model.parameters(), learning_rate)  # 優化器，這里使用隨機梯度下降演算法（SGD）
criterion = nn.MSELoss()  # 使用均方誤差定義損失函式

for epoch in range(epochs):
    # 資料型別轉換
    inputs = torch.from_numpy(x).to(device)  # 由于x是ndarray陣列，需要轉換成tensor型別，如果用gpu訓練，則會通過to函式把資料傳入gpu
    labels = torch.from_numpy(y).to(device)

    # 訓練
    optimizer.zero_grad()  # 每次求偏導都會清零，否則會進行疊加
    outputs = regression_model(inputs)  # 把輸入傳入定義的線性回歸模型中，進行前向傳播
    loss = criterion(outputs, labels)  # 通過均方誤差評估預測誤差
    loss.backward()  # 反向傳播
    optimizer.step()  # 更新權重引數

    # 每50次回圈列印一次結果
    if epoch % 50 == 0:
        print("epoch:", epoch, "loss:", loss.item())

predict = regression_model(torch.from_numpy(x).requires_grad_()).data.numpy()  # 通過訓練好的模型預測結果

# torch.save(regression_model.state_dict(), "model.pk1")  # 保存模型
# result = regression_model.load_state_dict(torch.load("model.pk1"))  # 加載模型

四、總結

本篇文章從torch的角度去解決了線性回歸問題，細節你可能不懂，但也可以發現它是非常簡單的，全程沒有讓你去實作優化器、去實作全連接層、去實作反向傳播，在這里你就不需要去實作一個數學公式，你需要做的僅僅是成為一個優秀的調包俠，并且努力成為一個偉大的調參師即可，

至于為什么直接上代碼，而不是先講解torch的基礎，一定是有深意的，站得高看得遠，先帶你領略下torch的用途及其強大，然后我們再慢慢的一步一步筑基，

標籤：其他

上一篇：pytorch從入門到放棄（目錄）

下一篇：leetcode 213 打家劫舍II