wordpress学校网站,关键词优化流程,抖音代运营需要什么资质,最近很火的营销事件二 动手学深度学习v2 —— 线性回归 基础优化算法 目录: 线性回归基础优化方法
1. 线性回归 总结
线性回归是对n维输入的加权#xff0c;外加偏差使用平方损失来衡量预测值和真实值的差异线性回归有显示解线性回归可以看作是单层神经网络
2. 基础优化方法 梯度下降 小批量… 二 动手学深度学习v2 —— 线性回归 基础优化算法 目录: 线性回归基础优化方法
1. 线性回归 总结
线性回归是对n维输入的加权外加偏差使用平方损失来衡量预测值和真实值的差异线性回归有显示解线性回归可以看作是单层神经网络
2. 基础优化方法 梯度下降 小批量随机梯度下降
3. 总结
梯度下降通过不断沿着反梯度方向更新参数求解小批量随机梯度下降是深度学习默认的求解算法两个重要的超参数是批量大小和学习率
4. 线性回归的从零开始实现
import torch
import random
def synthetic_data(w, b, num):生成 y Xw b 噪声 根据带有噪声的线性模型构造一个人造数据集。 我们使用线性模型参数 [2,−3.4]⊤w[2,−3.4]⊤、 4.2和噪声项ϵ生成数据集及其标签 X torch.normal(0, 1, (num, len(w)))y torch.matmul(X, w) by torch.normal(0, 0.01, y.shape)return X, y.reshape(-1, 1)true_w torch.tensor([2, -3.4])
true_b 4.2
num_examples 1000
batch_size 10
features, labels synthetic_data(true_w, true_b, num_examples)def data_iter(batch_size, features, labels):num_examples len(features)indices list(range(num_examples))random.shuffle(indices)for i in range(0, num_examples, batch_size):num_indices torch.tensor(indices[i: min(i batch_size, num_examples)])yield features[num_indices], labels[num_indices]def linreg(X, w, b):return torch.matmul(X, w) bdef squared_loss(y_hat, y):return (y_hat - y.reshape(y_hat.shape))**2/2def sgd(params, lr, batch_size):with torch.no_grad():for param in params:param - lr * param.grad / batch_sizeparam.grad.zero_()w torch.normal(0, 0.01, size(2, 1), requires_gradTrue)
b torch.zeros(1, requires_gradTrue)loss squared_loss
net linreg
lr 0.03
epoches 3for epoch in range(epoches):for X, y in data_iter(batch_size, features, labels):l loss(net(X, w, b), y)l.sum().backward()sgd([w, b], lr, batch_size)with torch.no_grad():train_l loss(net(features, w, b), labels)print(fepoch: {epoch 1}, loss {float(train_l.mean()):f})
5. 线性回归的简洁实现
import torch
from d2l import torch as d2l
from torch.utils import datatrue_w torch.tensor([2, -3.4])
true_b 4.2
features, labels d2l.synthetic_data(true_w, true_b, 1000)def load_array(batch_size, data_array, is_trainTrue):dataset data.TensorDataset(*data_array)return data.DataLoader(dataset, batch_size, shuffleis_train)batch_size 10
data_iter load_array(batch_size, (features, labels))from torch import nnnet nn.Sequential(nn.Linear(2, 1))
net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)loss nn.MSELoss()trainer torch.optim.SGD(net.parameters(), lr 0.03)num_epoches 3iter_temp iter(data_iter)for epoch in range(num_epoches):for X, y in next(iter_temp):l loss(net(X), y)l.backward()trainer.step()trainer.zero_grad()l loss(net(features), labels)print(fepoch {epoch 1}, loss {l:f})
