Pytorch深度学习实践笔记2（b站刘二大人）

原创已于 2024-07-27 22:11:58 修改 · 1.2k 阅读

19 ·

CC 4.0 BY-SA版权

文章标签：

#python #深度学习 #Pytorch #线性回归 #训练

于 2024-05-24 15:07:33 首次发布

人工智能同时被 2 个专栏收录

27 篇文章

订阅专栏

pytorch深度学习

12 篇文章

订阅专栏

🎬个人简介：一个全栈工程师的升级之路！
📋个人专栏：pytorch深度学习
🎀CSDN主页发狂的小花
🌄人生秘诀：学习的本质就是极致重复!

《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili

1 深度学习

2 Linear Model

3 代码

1 深度学习

监督学习（supervised learning)：打标签的数据
无监督学习：无标注数据，模型自己去学习数据的特征，输出参数，然后推理输出

2 Linear Model

线性模型：线性回归
（1）给定x为学习时间，y为最终输出的绩点，这些训练数据
利用数据建立模型、前向传播、建立loss，求的loss在满足精度下的线性模型的参数weights，bias，然后将待推理的数据带入模型中，得到推理结果

（2）数据集

训练集（Training Set)：训练模型
- 训练集使用多次
- 确定模型权重（weights）、偏置（bias）等学习参数
- 训练出模型
验证集（Validation Set）：验证模型性能，手动调参多次可能只代表一部分非训练集，导致模型泛化能力不够
- 验证集使用多次
- 调整并选择模型参数和超参数
- 选择模型（验证模型性能）
测试集（Test Set）：评估模型性能的数据集
- 不参与学习参数过程、也不参与超参数选择过程
- 测试集仅使用一次，完全独立、测试集未参与过训练或者验证
- 评价最终的模型
交叉验证
- 将数据集单纯划分为训练集、验证集和测试集时，并不是所有数据都参与了训练，存在数据信息利用不全的弊端，由于验证集只代表一部分非训练数据集，导致最终训练好的模型测试时的泛化能力并不好，所以为了保证泛化误差的稳定性，得到理想的模型，可以使用交叉验证
- K折验证法

1.将数据集分为训练集和测试集，测试集放在一边。

2.将训练集分为 k 份，每次使用 k 份中的1 份作为验证集，其他全部作为训练集。

3.通过 k 次训练后，得到了 k 个不同的模型。

4.评估 k 个模型的效果，从中挑选效果最好的超参数。

5.使用最优的超参数，然后将 k 份数据全部作为训练集重新训练模型，得到最终所需模型，最后再到测试集上测试。

- 参数和超参数
  - 模型参数：参数属于模型内部的配置变量，它们通常在建模过程自动学习得出。如：线性回归或逻辑回归中的系数、支持向量机中的支持向量、神经网络中的权重、偏置
  - 超参数属于模型外部的配置变量，他们通常由研究员根据自身建模经验手动设定。如学习速率，迭代次数，层数、K近邻中的K值

训练集、验证集和测试集_训练集测试集验证集-CSDN博客

（3）Linear Model（Linear Regression）

(4）Linear Regression 步骤

数据集准备：训练集、测试集、验证集
建立模型：简单的线性模型、做前向传播，求出预测值
计算损失函数(loss)：平方差

计算代价函数：MSE，均方差Mean Square Error

损失loss和模型参数的关系图（这里只有w)

3 代码

import numpy as np
import matplotlib.pyplot as plt

# y = 2 * x ,dataset
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
 
 
# model y = x * w,w is weight
def forward(x,w):
    return x*w
 
# loss
def loss(x, y,w):
    y_pred = forward(x,w)
    return (y_pred - y)**2
 
 
# 穷举法
w_list = []
mse_list = []

# iteration times
iteration = 0
# mean square error
MSE = -1
for w in np.arange(0.0, 4.1, 0.1):
    iteration = iteration+1
    print("w=", w)
    l_sum = 0
    for x_val, y_val in zip(x_data, y_data):
        # model to train
        y_pred_val = forward(x_val,w)
        loss_val = loss(x_val, y_val,w)
        l_sum += loss_val
        print('\t', x_val, y_val, y_pred_val, loss_val)
    MSE = l_sum/3
    print('MSE=', MSE)
    w_list.append(w)
    mse_list.append(MSE)
    if (MSE < 1e-5):
        print('iteration: ',iteration,'loss: ',MSE,'weight:',w)
        break
    
plt.plot(w_list,mse_list)
plt.ylabel('Loss')
plt.xlabel('w')
# plt.show() 
plt.savefig('./data/loss_w.png')

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 这里设函数为y=3x+5
x_data = np.array([1.0, 2.0, 3.0])
y_data = np.array([8.0, 11.0, 14.0])

def forward(x, w, b):
    return x * w + b

def loss(x, y, w, b):
    y_pred = forward(x, w, b)
    return (y_pred - y) ** 2

W = np.arange(0.0, 5.1, 0.1)
B = np.arange(0.0, 5.1, 0.1)
w, b = np.meshgrid(W, B)

MSE = -1
iteration = 0
loss_values = np.zeros_like(w)

for i in range(len(W)):
    for j in range(len(B)):
        iteration = iteration +1
        l_sum = 0
        for x_val, y_val in zip(x_data, y_data):
            loss_val = loss(x_val, y_val, W[i], B[j])
            l_sum += loss_val
            loss_values[i, j] = l_sum / 3
        MSE = l_sum / 3
        if (MSE < 1e-5):
            print('iteration: ',iteration,'loss: ',MSE,'weight:',W[i],'b: ',B[j])
            # break
                
                

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_surface(w, b, loss_values, cmap='viridis')

ax.set_xlabel('w')
ax.set_ylabel('b')
ax.set_zlabel('Loss')

plt.show()
plt.savefig('./data/loss_w_b.png')