写点什么

Pytorch: autograd 与逻辑回归的实现

作者:timerring
  • 2023-07-06
    山东
  • 本文字数:3892 字

    阅读完需:约 13 分钟

文章和代码已经归档至【Github 仓库:https://github.com/timerring/dive-into-AI 】或者公众号【AIShareLab】回复 pytorch 教程 也可获取。

autograd 自动求导系统

torch.autograd


autograd

torch.autograd.backward

torch.autograd.backward ( tensors, grad_tensors=None,retain_graph=None,create_graph=False)


功能:自动求取梯度


  • tensors : 用于求导的张量,如 loss

  • retain_graph : 保存计算图

  • create_graph:创建导数计算图,用于高阶求导

  • grad_tensors :多梯度权重(用于设置权重)



注意:张量类中的 backward 方法,本质上是调用的 torch.autogtad.backward。


    w = torch.tensor([1.], requires_grad=True)    x = torch.tensor([2.], requires_grad=True)
a = torch.add(w, x) b = torch.add(w, 1) y = torch.mul(a, b)
y.backward(retain_graph=True) # 可以保存梯度图 # print(w.grad) y.backward() # 可以求两次梯度
复制代码


使用 grad_tensors 可以设置每个梯度的权重。


    w = torch.tensor([1.], requires_grad=True)    x = torch.tensor([2.], requires_grad=True)
a = torch.add(w, x) # retain_grad() b = torch.add(w, 1)
y0 = torch.mul(a, b) # y0 = (x+w) * (w+1) y1 = torch.add(a, b) # y1 = (x+w) + (w+1) dy1/dw = 2
loss = torch.cat([y0, y1], dim=0) # [y0, y1] grad_tensors = torch.tensor([1., 2.])
loss.backward(gradient=grad_tensors) # gradient设置权重
print(w.grad)
复制代码


tensor([9.])
复制代码


这个结果是由每一部分的梯度乘它对应部分的权重得到的。

torch.autograd.grad

torch.autograd.grad (outputs, inputs, grad_outputs=None,retain_graph= None, create_graph=False)


功能:求取梯度


  • outputs : 用于求导的张量,如 loss

  • inputs : 需要梯度的 张量

  • create_graph: 创建导数计算图,用于高阶求导

  • retain_graph : 保存计算图

  • grad_outputs :多梯度权重


    x = torch.tensor([3.], requires_grad=True)    y = torch.pow(x, 2)     # y = x**2
# grad_1 = dy/dx grad_1 = torch.autograd.grad(y, x, create_graph=True) print(grad_1)
# grad_2 = d(dy/dx)/dx grad_2 = torch.autograd.grad(grad_1[0], x, create_graph=True) print(grad_2) # 求二阶导
grad_3 = torch.autograd.grad(grad_2[0], x) print(grad_3) print(type(grad_3))
复制代码


(tensor([6.], grad_fn=<MulBackward0>),)(tensor([2.], grad_fn=<MulBackward0>),)(tensor([0.]),)<class 'tuple'>
复制代码


注意:由于是元组类型,因此再次使用求导的时候需要访问里面的内容。


1.梯度不自动清零


    w = torch.tensor([1.], requires_grad=True)    x = torch.tensor([2.], requires_grad=True)
for i in range(4): a = torch.add(w, x) b = torch.add(w, 1) y = torch.mul(a, b)
y.backward() print(w.grad) # If not zeroed, the errors from each backpropagation add up. # This underscore indicates in-situ operation grad.zero_()
复制代码


tensor([5.])tensor([5.])tensor([5.])tensor([5.])
复制代码


2.依赖于叶子结点的结点, requires_grad 默认为 True


    w = torch.tensor([1.], requires_grad=True)    x = torch.tensor([2.], requires_grad=True)
a = torch.add(w, x) b = torch.add(w, 1) y = torch.mul(a, b)# It can be seen that the attributes of the leaf nodes are all set to True print(a.requires_grad, b.requires_grad, y.requires_grad)
复制代码


True True True
复制代码


3.叶子结点不可执行 in place


什么是 in place?

试比较:

a = torch.ones((1, ))
print(id(a), a)

a = a + torch.ones((1, ))
print(id(a), a)

a += torch.ones((1, ))
print(id(a), a)
# After executing in place, the stored address does not change

2413216666632 tensor([1.])
2413216668472 tensor([2.])
2413216668472 tensor([3.])

叶子节点不能执行 in place,因为反向传播时会用到叶子节点张量的值,如 w。而取值是按照 w 的地址取得,因此如果 w 执行 inplace,则更换了 w 的值,导致反向传播错误。

逻辑回归 Logistic Regression

逻辑回归是线性的二分类模型


模型表达式:


f(x) 称为 Sigmoid 函数,也称为 Logistic 函数


逻辑回归


线性回归是分析自变量 x 与 因变量 y( 标量 ) 之间关系的方法


逻辑回归是分析自变量 x 与 因变量 y( 概率 ) 之间关系的方法


逻辑回归也称为对数几率回归(等价)。


表示对数几率。表示样本 x 为正样本的可能性。


证明等价:


线性回归

自变量:X 因变量:y 关系:y=𝑊𝑋+𝑏


本质就是用 WX+b 拟合 y。

对数回归

lny=𝑊𝑋+𝑏


就是用𝑊𝑋+𝑏拟合 lny。


同理,对数几率回归就是用 WX+b 拟合对数几率。

机器学习模型训练步骤


  • 数据采集,清洗,划分和预处理:经过一系列的处理使它可以直接输入到模型。

  • 模型:根据任务的难度选择简单的线性模型或者是复杂的神经网络模型。

  • 损失函数:根据不同的任务选择不同的损失函数,例如在线性回归中采用均方差损失函数,在分类任务中可以选择交叉熵。有了 Loss 就可以求梯度。

  • 得到梯度可以选择某一种优化方式,即优化器。采用优化器更新权值。

  • 最后再进行迭代训练过程。

逻辑回归的实现

# -*- coding: utf-8 -*-
import torchimport torch.nn as nnimport matplotlib.pyplot as pltimport numpy as nptorch.manual_seed(10)

# ============================ step 1/5 Generate data ============================sample_nums = 100mean_value = 1.7bias = 1n_data = torch.ones(sample_nums, 2)x0 = torch.normal(mean_value * n_data, 1) + bias # 类别0 数据 shape=(100, 2)y0 = torch.zeros(sample_nums) # 类别0 标签 shape=(100, 1)x1 = torch.normal(-mean_value * n_data, 1) + bias # 类别1 数据 shape=(100, 2)y1 = torch.ones(sample_nums) # 类别1 标签 shape=(100, 1)train_x = torch.cat((x0, x1), 0)train_y = torch.cat((y0, y1), 0)

# ============================ step 2/5 Select Model ============================class LR(nn.Module): def __init__(self): super(LR, self).__init__() self.features = nn.Linear(2, 1) self.sigmoid = nn.Sigmoid()
def forward(self, x): x = self.features(x) x = self.sigmoid(x) return x

lr_net = LR() # Instantiate a logistic regression model

# ============================ step 3/5 Choose a loss function ============================# Select the cross-entropy function for binary classificationloss_fn = nn.BCELoss()
# ============================ step 4/5 Choose an optimizer ============================lr = 0.01 # Learning rateoptimizer = torch.optim.SGD(lr_net.parameters(), lr=lr, momentum=0.9)
# ============================ step 5/5 model training ============================for iteration in range(1000):
# forward propagation y_pred = lr_net(train_x)
# calculate loss loss = loss_fn(y_pred.squeeze(), train_y)
# backpropagation loss.backward()
# update parameters optimizer.step()
# clear gradient optimizer.zero_grad()
# drawing if iteration % 20 == 0:
mask = y_pred.ge(0.5).float().squeeze() # Classify with a threshold of 0.5 correct = (mask == train_y).sum() # Calculate the number of correctly predicted samples acc = correct.item() / train_y.size(0) # Calculate classification accuracy
plt.scatter(x0.data.numpy()[:, 0], x0.data.numpy()[:, 1], c='r', label='class 0') plt.scatter(x1.data.numpy()[:, 0], x1.data.numpy()[:, 1], c='b', label='class 1')
w0, w1 = lr_net.features.weight[0] w0, w1 = float(w0.item()), float(w1.item()) plot_b = float(lr_net.features.bias[0].item()) plot_x = np.arange(-6, 6, 0.1) plot_y = (-w0 * plot_x - plot_b) / w1
plt.xlim(-5, 7) plt.ylim(-7, 7) plt.plot(plot_x, plot_y)
plt.text(-5, 5, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'}) plt.title("Iteration: {}\nw0:{:.2f} w1:{:.2f} b: {:.2f} accuracy:{:.2%}".format(iteration, w0, w1, plot_b, acc)) plt.legend()
plt.show() plt.pause(0.5)
if acc > 0.99: break
复制代码


实现一个逻辑回归步骤如上。后续会慢慢解释。

发布于: 刚刚阅读数: 3
用户头像

timerring

关注

公众号【AIShareLab】 2022-07-14 加入

他日若遂凌云志

评论

发布
暂无评论
Pytorch: autograd与逻辑回归的实现_人工智能_timerring_InfoQ写作社区