从零开始的深度学习1：实现线性回归

gitfox · 发表于 2024-9-6 16:23:54

材料准备：一.安装Miniconda，需要勾选ADD  Anaconda to the system PATH environment variable 选项。

               二.前往https ://zh.d2l.ai/d2l-zh-1.1.zip 下载压缩包并解压，在该文件地址栏输入cmd。
               三.使用conda创建虚拟环境：conda env create -f environment.yml 。
               四.激活已创建的环境：conda activate gluon 。
               五.输入jupyter notebook打开jupyter notebook(如果没有安装用pip install jupyter安装)

所需要安装的python第三方库：IPython,matplotlib,mxnet

预备知识：什么是深度学习：深度学习是一种机器学习算法。深度指神经网络的层数，学习指训练神经网络的过程。
               什么是线性回归：线性回归是一种单层神经网络，它可以解决预测连续值的问题（如预测气温，房价），而分类与之相反，用于解决离散值的问题。
               可以用数学将其表示为：y _=w1x1+w2x2...+wnxn+b
               其中w1，w2...wn和b均为标量，它们是线性回归模型的参数，w表示权重，b表示偏差，而y_则表示对真实值y的预测。
               机器学习方法的构成：模型，损失函数，优化算法，模型评估
实践部分：
         1.生成数据集
         首先，我们导入所需要的包和模块，然后我们创建一个样本数为1000的训练数据集，其特征数为2（可以理解为因变量有两个，即有x1和x2），设权重w= [2,-3.4]T(T表示对矩阵转置)，偏差b=4.2 。最后，我们加入噪声c，让噪声服从均值为0，标准差为0.01的正态分布。
（噪声代表了数据集中无意义的干扰）

         2.生成关系图
         features里储存着很多个长度为2的向量，可以理解为是由很多个[x1,x2]组成, 而在分别乘以同样向量长度为2的权重后再加上噪声后，显然得到的labels存储着很多个长度为1的向量，即标量，可以理解为是由很多个y_组成的。我们查看features列表和labels列表中的第一个数据来检验一下。如图所示，符合我们的预期。
   然后，我们通过featrures[:,1] 和标签labels来生成一个散点图，可以理解为生成一个x2和y_的关系图。通过这个关系图，我们可以直观的观察到两者之间的线性关系。

      3.读取数据集
      在训练模型时，我们需要遍历数据集并不断读取小批量数据样本，这里我们定义一个函数，它每次返回batch_size(批量大小)个随机样本的特征和标签。

      num_examples 为样本数（features中向量的数量），indices是根据样本数构建的索引列表，如样本数是10，则生成列表 [0,1,2,3,4,5,6,7,8,9]。
      random.shuffle()将这个列表随机打乱，以达到随机读取样本的目的。
      range(0,num_examples,batch_size) 中前两个表示范围，而batch_size表示步长，即达到每次返回批量大小的目的，而take函数根据索引返回对应元素。
   让我们设置批量大小为10,并打印根据这种方法读取到的features和labels的值,结果如图所示.
   4.初始化模型参数
      我们将权重初始化城均值为0，标准差为0.01的正态随机数，偏差则初始化为0。

      再之后我们将不断迭代它们的值，所以创建它们的梯度。
5.定义模型
   这里我们使用dot函数来做矩阵乘法。

6.定义损失函数
   这里我们使用平方函数，这也是最为常用的选择。

7.定义优化算法
   sgd函数实现了小批量随机梯度下降的算法。

8.训练模型

在训练中，我们将多次迭代模型参数。在每次迭代中，我们根据当前读取的数据，通过调用反向函数backward计算小批量随机梯度，并通过sgd函数来优化权重和偏差，其中num_epochs代表迭代周期的数量。
训练完成后，来对比一下训练得到的参数和生成训练集的真实参数，可以看出非常相近。

#演示案例来自于《dive into deep learning》