本人近期開始嘗試基於pytorch框架,從原理上理解深度學習。在這幾個demo中將會展示一些基本的操作及其效果,並基於個人的一點粗淺理解進行原理描述,如有不當之處還請指正。
在本demo中,我們所使用的線性函數爲
其中\(rand\)表示一個滿足標準正態分佈\(N\left(0, 1\right)\)的隨機數(平均值爲0,方差爲1)
基於Parameter手動構建
我們可以使用nn.Parameter
工具,手動構建公式以實現線性迴歸。
一個線性函數的基本結構如下
其中包含兩個參數\(a\)、\(b\)。
代碼如下:
import matplotlib.pyplot as plt
import torch
from torch import nn
from torch.autograd import Variable
class SquareRegression(nn.Module):
def __init__(self):
nn.Module.__init__(self)
self.a = nn.Parameter(torch.randn(1, 1), requires_grad=True) # 1 x 1
self.b = nn.Parameter(torch.randn(1, 1), requires_grad=True) # 1 x 1
def forward(self, x_):
_t = x_.mm(self.a) # n x 1
return _t + self.b.expand_as(_t) # n x 1
if __name__ == "__main__":
n = 100
x = torch.linspace(-2, 12, n).resize_((n, 1)) # n x 1 tensor
y = 3 * x + 10 + torch.randn(x.size()) # n x 1 tensor
model = SquareRegression()
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)
num_epochs = 20000
for epoch in range(num_epochs):
inputs, targets = Variable(x), Variable(y)
out = model(inputs)
loss = criterion(out, targets)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if (epoch + 1) % 100 == 0:
print('Epoch[{}/{}], loss:{:.6f}'.format(epoch + 1, num_epochs, loss.item()))
for name, param in model.named_parameters():
print(name, param.data)
predict = model(x)
plt.plot(x.numpy(), y.numpy(), 'ro', label='Original Data')
plt.plot(x.numpy(), predict.data.numpy(), label='Fitting Line')
plt.show()
輸出結果如下:
Epoch[100/20000], loss:23.441666
Epoch[200/20000], loss:20.163355
Epoch[300/20000], loss:17.363503
Epoch[400/20000], loss:14.972251
Epoch[500/20000], loss:12.929962
Epoch[600/20000], loss:11.185717
Epoch[700/20000], loss:9.696020
Epoch[800/20000], loss:8.423729
Epoch[900/20000], loss:7.337113
Epoch[1000/20000], loss:6.409071
Epoch[1100/20000], loss:5.616467
Epoch[1200/20000], loss:4.939533
Epoch[1300/20000], loss:4.361391
Epoch[1400/20000], loss:3.867616
Epoch[1500/20000], loss:3.445905
... ... ... ...
Epoch[19000/20000], loss:0.977931
Epoch[19100/20000], loss:0.977931
Epoch[19200/20000], loss:0.977931
Epoch[19300/20000], loss:0.977931
Epoch[19400/20000], loss:0.977931
Epoch[19500/20000], loss:0.977931
Epoch[19600/20000], loss:0.977931
Epoch[19700/20000], loss:0.977931
Epoch[19800/20000], loss:0.977931
Epoch[19900/20000], loss:0.977931
Epoch[20000/20000], loss:0.977931
a tensor([[2.9913]])
b tensor([[10.1255]])
生成圖像如下:
可以發現,我們生成的擬合解如下:
所得到的函數爲
和原公式\(f(x) = 3x + 10\)相比已經十分接近,圖像上的擬合結果也與期望結果基本一致。
基於Linear構建
實際上,pytorch已經爲我們封裝了nn.Linear
工具實現線性迴歸。
一個線性函數的基本結構如下
其中包含兩個參數\(w\)、\(b\),分別對應nn.Linear
中的weight和bias兩個核心參數。
代碼如下:
import matplotlib.pyplot as plt
import torch
from torch import nn
from torch.autograd import Variable
class SquareRegression(nn.Module):
def __init__(self):
nn.Module.__init__(self)
self.linear = nn.Linear(1, 1) # 1 x 1
def forward(self, x_):
return self.linear(x_) # n x 1
if __name__ == "__main__":
n = 100
x = torch.linspace(-2, 12, n).resize_((n, 1)) # n x 1 tensor
y = 3 * x + 10 + torch.randn(x.size()) # n x 1 tensor
model = SquareRegression()
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)
num_epochs = 20000
for epoch in range(num_epochs):
inputs, targets = Variable(x), Variable(y)
out = model(inputs)
loss = criterion(out, targets)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if (epoch + 1) % 100 == 0:
print('Epoch[{}/{}], loss:{:.6f}'.format(epoch + 1, num_epochs, loss.item()))
for name, param in model.named_parameters():
print(name, param.data)
predict = model(x)
plt.plot(x.numpy(), y.numpy(), 'ro', label='Original Data')
plt.plot(x.numpy(), predict.data.numpy(), label='Fitting Line')
plt.show()
輸出結果如下:
Epoch[100/20000], loss:40.807762
Epoch[200/20000], loss:34.994335
Epoch[300/20000], loss:30.029305
Epoch[400/20000], loss:25.788853
Epoch[500/20000], loss:22.167242
Epoch[600/20000], loss:19.074156
Epoch[700/20000], loss:16.432467
Epoch[800/20000], loss:14.176275
Epoch[900/20000], loss:12.249363
Epoch[1000/20000], loss:10.603661
Epoch[1100/20000], loss:9.198134
Epoch[1200/20000], loss:7.997722
Epoch[1300/20000], loss:6.972489
Epoch[1400/20000], loss:6.096869
Epoch[1500/20000], loss:5.349041
... ... ... ...
Epoch[19000/20000], loss:0.972535
Epoch[19100/20000], loss:0.972535
Epoch[19200/20000], loss:0.972535
Epoch[19300/20000], loss:0.972535
Epoch[19400/20000], loss:0.972535
Epoch[19500/20000], loss:0.972535
Epoch[19600/20000], loss:0.972535
Epoch[19700/20000], loss:0.972535
Epoch[19800/20000], loss:0.972535
Epoch[19900/20000], loss:0.972535
Epoch[20000/20000], loss:0.972535
linear.weight tensor([[2.9816]])
linear.bias tensor([10.3128])
生成圖像如下:
可以發現,我們生成的擬合解如下
所得到的函數爲
和原公式\(f(x) = 3x + 10\)相比已經十分接近,圖像上的擬合結果也與期望結果基本一致。
其他
對機器學習的一些基本理解
-
機器學習的本質是函數擬合。
-
機器學習的最基本思路,就是通過一個預定義的損失函數(loss function,用於量化描述擬合結果與實際期望結果的差異),和預定義的計算模型(線性函數、二次函數、CNN等),利用反向傳播求導機制,通過梯度下降法對當前的擬合結果進行不斷地優化(準確的說,是對損失函數進行不斷地優化使之儘可能小)。
- 簡單來說,有兩個最核心的基本要素:
- 損失函數的定義
- 計算模型的定義
- 簡單來說,有兩個最核心的基本要素:
-
通過機器學習,我們可以獲得一個函數意義上的局部最優解,而無法保證所獲擬合結果爲複雜函數環境下的全局最優。