MXNET：监督学习

标签：col   避免   算法   puts   因此   fun   amp   引入   backward   

线性回归

给定一个数据点集合 X 和对应的目标值 y，线性模型的目标就是找到一条使用向量 w 和位移 b
描述的线，来尽可能地近似每个样本X[i] 和 y[i]。

数学公式表示为\(\hat{y}=Xw+b\)

目标函数是最小化所有点的平方误差 \(\sum_{i=1}^{n} (\hat{y_i}-y_i)^2\)

?个神经?络就是?个由节点（神经元）和有向边组成的集合。我们? 般把?些节点组成层，每?层先从下??层的节点获取输?，然后输出给上?的层使?。要计算? 个节点值，我们需要将输?节点值做加权和（权数值即w），然后再加上?个激活函数（activation function）。这里的激活函数是\(f(x)=x\)

创建数据集： \(y=2*x[0] - 3.4*x[1] + 4.2 +noise\)

# -*- coding: utf-8 -*-
from mxnet import ndarray as nd
from mxnet import autograd

num_inputs = 2
num_examples = 1000

true_w = [2, -3.4]
true_b = 4.2

X = nd.random_normal(shape=(num_examples, num_inputs))
y = true_w[0] * X[:, 0] + true_w[1] * X[:, 1] + true_b
y += .01 * nd.random_normal(shape=y.shape)

print 'dataset'

import matplotlib.pyplot as plt
plt.scatter(X[:, 1].asnumpy(),y.asnumpy())
plt.show()

当我们开始训练神经?络的时候，我们需要不断读取数据块。这?我们定义?个函数它每次返回 batch_size 个随机的样本和对应的?标。

import random
batch_size = 10
def data_iter():
    # 产??个随机索引
    idx = list(range(num_examples))
    random.shuffle(idx)
    for i in range(0, num_examples, batch_size):
        j = nd.array(idx[i:min(i+batch_size,num_examples)])
        yield nd.take(X, j), nd.take(y, j)

for data, label in data_iter(): 
    print(data, label)

随机初始化模型参数，之后训练时我们需要对这些参数求导来更新它们的值，使损失尽量减小；因此我们需要创建它们的梯度。

w = nd.random_normal(shape=(num_inputs, 1))
b = nd.zeros((1,))
params = [w, b]

for param in params:
    param.attach_grad()

定义网络

def net(X):
    return nd.dot(X, w) + b

定义损失函数

def square_loss(yhat, y):
    # 注意这?我们把 y 变形成 yhat 的形状来避免矩阵形状的?动转换
    return (yhat - y.reshape(yhat.shape)) ** 2

定义优化方案，我们这?通过随机梯度下降来求解。每?步，我们将模型参数沿着梯度的反?向走特定距离，这个距离?般叫学习率（learning rate）lr。

def SGD(params, lr):
    for param in params:
        param[:] = param - lr * param.grad

现在我们可以开始训练了。训练通常需要迭代数据数次，在这?使? epochs表?迭代总次数； ?次迭代中，我们每次随机读取固定数个数据点，计算梯度并更新模型参数。

epochs = 5
learning_rate = .001
niter = 0
moving_loss = 0
smoothing_constant = .01
# 训练
for e in range(epochs):
    total_loss = 0
    for data, label in data_iter():
        with autograd.record():
            output = net(data)
            loss = square_loss(output, label)
        loss.backward()
        SGD(params, learning_rate)
        total_loss += nd.sum(loss).asscalar()
        # 记录每读取?个数据点后，损失的移动平均值的变化；
        niter +=1
        curr_loss = nd.mean(loss).asscalar()
        moving_loss = (1 - smoothing_constant) * moving_loss + (smoothing_constant * curr_loss)
        if (niter + 1) % 100 == 0:
            print("Epoch %d, batch %d. Average loss: %f" % (
                epochs, niter, moving_loss))
print(params)
# output
[[ 1.99952257]
 [-3.39969802]]
<NDArray 2x1 @cpu(0)>, 
[ 4.19949913]
<NDArray 1 @cpu(0)>

线性回归-使用Gluon

这里我们将使用MXNet提供的Gluon接口更方便地实现线性回归的训练。

首先生成数据集

num_inputs = 2
num_examples = 1000
true_w = [2, -3.4]
true_b = 4.2
features = nd.random_normal(scale=1, shape=(num_examples, num_inputs))
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
labels += nd.random_normal(scale=0.01, shape=labels.shape)

读取数据，使用Gluon提供的data模块来读取数据。在每一次迭代中，我们将随机读取包含10个数据样本的小批量。

from mxnet.gluon import data as gdata
batch_size = 10
dataset = gdata.ArrayDataset(features, labels)
data_iter = gdata.DataLoader(dataset, batch_size, shuffle=True)

在前面我们需要定义模型参数，并使用它们一步步描述模型是怎样计算的。当模型结构变得更复杂时，这些步骤将变得更加繁琐。其实，Gluon提供了大量预定义的层，这使我们只需关注使用哪些层来构造模型。
首先，导入nn模块。我们先定义一个模型变量net，它是一个Sequential实例。在Gluon中，Sequential实例可以看做是一个串联各个层的容器。在构造模型时，我们在该容器中依次添加层。当给定输入数据时，容器中的每一层将依次计算并将输出作为下一层的输入。
线性回归的输出层又叫全连接层。在Gluon中，全连接层是一个Dense实例。我们定义该层输出个数为1。

from mxnet.gluon import nn
net = nn.Sequential()
net.add(nn.Dense(1))

值得一提的是，在Gluon中我们无需指定每一层输入的形状，例如线性回归的输入个数。当模型看见数据时，例如后面执行net(X)时，模型将自动推断出每一层的输入个数。

初始化模型参数，从MXNet中导入init模块，并通过init.Normal(sigma=0.01)指定权重参数每个元素将在初始化时随机采样于均值为0标准差为0.01的正态分布。偏差参数全部元素初始化为零。

from mxnet import init
net.initialize(init.Normal(sigma=0.01))

定义损失函数，从gluon引入loss模块

from mxnet.gluon import loss as gloss
loss = gloss.L2Loss()

定义优化算法，在导入Gluon后，我们可以创建一个Trainer实例，并且将模型参数传递给它。

from mxnet.gluon import Trainer
trainer = Trainer(net.collect_params(), 'sgd', {'learning_rate': 0.03})

训练模型，我们通过调用step函数来迭代模型参数。由于变量l是batch_size维的NDArray，执行l.backward()等价于l.sum().backward()。按照小批量随机梯度下降的定义，我们在step函数中提供batch_size，以确保小批量随机梯度是该批量中每个样本梯度的平均。

num_epochs = 3
for epoch in range(1, num_epochs + 1):
    for X, y in data_iter:
        with autograd.record():
            l = loss(net(X), y)
        l.backward()
        trainer.step(batch_size)
    print("epoch %d, loss: %f"
          % (epoch, loss(net(features), labels).asnumpy().mean()))

dense = net[0]
print true_w, dense.weight.data()
print true_b, dense.bias.data()

可以从net获得需要的层，并访问其权重和位移。学到的和真实的参数很接近。

MXNET：监督学习

标签：col   避免   算法   puts   因此   fun   amp   引入   backward   

原文地址：https://www.cnblogs.com/houkai/p/9519802.html