1. 導(dǎo)入包

我們這次的任務(wù)是隨機(jī)生成一些離散的點(diǎn)，然后用直線（y = w *x + b ）去擬合

首先看一下我們需要導(dǎo)入的包有

torch 包為我們生成張量，可以使用反向傳播

matplotlib.pyplot 包幫助我們繪制曲線，實(shí)現(xiàn)可視化

2. 生成數(shù)據(jù)

這里我們通過rand隨機(jī)生成數(shù)據(jù)，因?yàn)樯傻臄?shù)據(jù)在0~1之間，這里我們擴(kuò)大10倍。

我們?cè)O(shè)置的batch_size，也就是數(shù)據(jù)的個(gè)數(shù)為20個(gè)，所以這里會(huì)產(chǎn)生維度是(20,1)個(gè)訓(xùn)練樣本

我們假設(shè)大概的回歸是 y = 2 * x + 3 的，為了保證損失不一直為0 ，這里我們添加一點(diǎn)噪音

最后返回x作為輸入，y作為真實(shí)值label

rand [0，1]均勻分布

如果想要每次產(chǎn)生的隨機(jī)數(shù)是一樣的，可以在代碼的前面設(shè)置一下隨機(jī)數(shù)種子

3. 訓(xùn)練數(shù)據(jù)

首先，我們要建立的模型是線性的y = w * x + b ，所以我們需要先初始化w ，b

使用randn 標(biāo)準(zhǔn)正態(tài)分布隨機(jī)初始化權(quán)重w，將偏置b初始化為0

為什么將權(quán)重w隨機(jī)初始化？

• 首先，為了抑制過擬合，提高模型的泛化能力，我們可以采用權(quán)重衰減來抑制權(quán)重w的大小。因?yàn)闄?quán)重過大，對(duì)應(yīng)的輸入x的特征就越重要，但是如果對(duì)應(yīng)x是噪音的話，那么系統(tǒng)就會(huì)陷入過擬合中。所以我們希望得到的模型曲線是一條光滑的，對(duì)輸入不敏感的曲線，所以w越小越好
• 那這樣為什么不直接把權(quán)重初始化為0，或者說很小很小的數(shù)字呢。因?yàn)?，w太小的話，那么在反向傳播的時(shí)候，由于我們習(xí)慣學(xué)習(xí)率lr 設(shè)置很小，那在更新w的時(shí)候基本就不更新了。而不把權(quán)重設(shè)置為0，是因?yàn)闊o論訓(xùn)練多久，在更新權(quán)重的時(shí)候，所有權(quán)重都會(huì)被更新成相同的值，這樣多層隱藏層就沒有意義了。嚴(yán)格來說，是為了瓦解權(quán)重的對(duì)稱結(jié)構(gòu)

接下來可以訓(xùn)練我們的模型了

1. 將輸入的特征x和對(duì)應(yīng)真實(shí)值label y通過zip函數(shù)打包。將輸入x經(jīng)過模型 w *x + b 的預(yù)測(cè)輸出預(yù)測(cè)值y

2. 計(jì)算損失函數(shù)loss，因?yàn)橹皩、b都是設(shè)置成會(huì)計(jì)算梯度的，那么loss.backward() 會(huì)自動(dòng)計(jì)算w和b的梯度。用w的值data，減去梯度的值grad.data 乘上 學(xué)習(xí)率lr完成一次更新

3. 當(dāng)w、b梯度不為零的話，要清零。這里有兩種解釋，第一種是每次計(jì)算完梯度后，值會(huì)和之前計(jì)算的梯度值進(jìn)行累加，而我們只是需要當(dāng)前這步的梯度值，所有我們需要將之前的值清零。第二種是，因?yàn)樘荻鹊睦奂樱敲聪喈?dāng)于實(shí)現(xiàn)一個(gè)很大的batch訓(xùn)練。假如一個(gè)epoch里面，梯度不進(jìn)行清零的話，相當(dāng)于把所有的樣本求和后在進(jìn)行梯度下降，而不是我們?cè)仁褂玫尼槍?duì)單個(gè)樣本進(jìn)行下降的SGD算法

4. 每100次迭代后，我們打印一下?lián)p失

4. 繪制圖像

scatter 相當(dāng)于離散點(diǎn)的繪圖

要繪制連續(xù)的圖像，只需要給個(gè)定義域然后通過表達(dá)式 w * x +b 計(jì)算y就可以了，最后輸出一下w和b，看看是不是和我們?cè)O(shè)置的w = 2，b =3 接近

5. 代碼

import torch
import matplotlib.pyplot as plt
def trainSet(batch_size = 20):   # 定義訓(xùn)練集
    x = torch.rand(batch_size,1) * 10
    y = x * 2 + 3 + torch.randn(batch_size,1)   # y = x * 2  + 3（近似）
    return x,y
train_x, train_y = trainSet()   # 訓(xùn)練集
w =torch.randn(1,requires_grad= True)
b = torch.zeros(1,requires_grad= True)
lr = 0.001
for epoch in range(1000):
    for x,y in zip(train_x,train_y):  # SGD算法，如果是BSGD的話，不需要這個(gè)for
        y_pred = w*x  + b
        loss = (y - y_pred).pow(2) / 2
        loss.backward()
        w.data -= w.grad.data * lr
        b.data -= b.grad.data * lr
        if w.data is not True:   # 梯度值不為零的話，要清零
            w.grad.data.zero_()   #  否則相當(dāng)于一個(gè)大的batch訓(xùn)練
        if b.data is not True:
            b.grad.data.zero_()
    if epoch % 100 ==0:
        print('loss:',loss.data)
plt.scatter(train_x,train_y)
x = torch.arange(0,11).view(-1,1)
y = x * w.data + b.data
plt.plot(x,y)
plt.show()
print(w.data,b.data)

輸出的圖像

輸出的結(jié)果為

這里可以看的最后的w = 1.9865和b = 2.9857 和我們?cè)O(shè)置的2，3是接近的

到此這篇關(guān)于Python反向傳播實(shí)現(xiàn)線性回歸步驟詳細(xì)講解的文章就介紹到這了,更多相關(guān)Python線性回歸內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！