从零开始的深度学习2：用深度学习框架简洁地实现线性回归
在上一篇帖子中，为了更好地理解深度学习是怎么样工作的，我们没有使用强大的深度学习的框架，而现在我们将使用MXnet提供的gluon接口简洁地实现上一篇帖子的内容，我也会尽可能解释上一篇省略了的内容。1.生成数据集 我们将生成与上一篇贴子里完全一样的数据集。2.读取数据集 上一篇帖子中，为了读取数据集，我们创建了data_iter函数。而这次通过gluon，我们不用再费力去完成这个函数了。gluon提供data包来读取数据。（注意：由于data容易用于作为变量名所以此处用import data as gdata。调用库的时候，如果名字非常常见且容易想到，最好用这种方法改一改。） 这里我们只用了两行代码就完成了data_iter函数的构建，而在上个帖子中我们花了七行。dataset=gdata.ArrayDataset(features,labels)你可以理解为将很多个和它们对应的y打包成一个个小盒子装进一个加做dataset的大仓库里，也就是数据集。data_iter=gdata.DataLoader(dataset,batch_size,shuffle=True)你可以理解为从名为dataset的大仓库里随机拿出一定数量的小盒子，数量是由batch_size的值来确定的，而shuffle=True则告诉函数我们要随机抽取。我们可以用for循环来看一看随机抽到的一批数据： 在这个for循环中，我们把抽取到的盒子一个一个拆开，将所有的按循环顺序打印出来，所有的y按循环顺序打印出来，其中X(X=)和y的顺序是一一对应的。3.定义模型 在完成数据集和读取数据函数的构建后，我们来定义模型。 首先，导入nn模块，nn是nerual networks (神经网络)的缩写。我们先定义一个模型变量net，它是一个Sequential实例。（解释一下Sequential是什么意思，在一般的语境中：Sequential意指按时间或逻辑上的顺序发生的事物。比如，“sequential process”指的是一个步骤接着一个步骤的过程；“sequential order”指的是按特定顺序排列的事物。在神经网络中：Sequential模型是一种简单的网络结构，其中层按顺序依次排列，数据从输入层开始，经过每一层的处理，最终到达输出层。这种模型的特点是数据流动是线性的，没有分支或合并。适合于简单的前馈网络。） 在gluon中，sequential实例可以看作是一个串联各层的容器，在构建模型时，我们在该层的容器中依次添加层，在给定输入数据时，容器中的每一层将依次计算并将输出作为下一层的输入。为了帮助理解，接下来给出线性回归的神经网络图，通过这个图我们能直观地感受到它是个单层神经网络。
在图中的神经网络中,输入层有多少个x就有多少个输入个数，输入个数也叫做特征数或特征维度向量。图中网络的输入为o，输出层的输入个数为1。输出层中负责计算o的单位又叫神经元。在线性回归中，o的计算依赖于x1，x2,.....xn，简单地说就是输出层地神经元与输入层中各种输入完全连接，因此，这里地输出层又叫全连接层或稠密层。输出层是不作为层数计算的，所以图中的线性回归神经网络是单层神经网络。让我们回到代码上，我们已经知道线性回归中输出层是一个全连接层，而在gluon中，全连接层是一个dense实例。(事实上dense层就是全连接层地意思，而dense在英文中有密度的意思，所以全连接层也被叫做稠密层。)现在，我们用代码定义该层输出个数为1:net.add(nn.Dense(1))。4. 初始化模型参数 在使用神经网络之前，我们需要初始化参数模型，比如线性回归中的权重w和偏差b。我们从MXNet导入init(initializer的缩写，意思是初始化器)模块，该模块提供了各种模型参数初始化的方法。（为什么需要关注初始化的方法？答：如果初始化得不好，所有权重都相同或太大、太小，可能导致训练中的问题，如：梯度消失或梯度爆炸：权重过大或过小，可能导致反向传播时梯度更新不稳定。对称性问题：如果所有权重被初始化为相同的值，网络中每个神经元就会执行相同的计算，无法学习多样化的特征。）
这里我们采取随机初始化的方法。我们通过net.initialize(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。5. 定义损失函数在gluon中，loss模块定义了各种损失函数，就跟上文中将data改名为gdata一样，这里把loss改名为gloss，并直接使用他提供的平方损失函数（也叫均方误差）。
6. 定义优化算法现在我们也不需要再去写个函数实现小批量梯度随机下降了。导入gluon后直接创建一个trainer实例，并指定学习率为0.03的小批量梯度随机下降为优化算法。
7. 训练模型
我们将训练次数（迭代）次数设定为3。l代表着当前训练轮次的损失。每次训练(迭代)中，代码从data_iter中获取小批量数据，计算损失，反向传播计算梯度，并更新模型参数。我们可以看到后loss的值随着迭代次数变得越来越小。8. 检验结果
可以看到训练得到的权重w和偏差b与真实值非常相近。 敏感肌能用吗（看不懂捏 感觉上像是在看csdn的博客 好多专业的知识，data_iter函数看起来还挺复杂的{:6_169:} 看着真的是好专业化 好叼的感觉，路过膜拜一下{:6_165:} 吓鼠了，泥潭怎么会有这种让人ptsd的内容:Q 越来越看不懂了欸(´×ω×`)痴呆脸.jpg不过放这版块应该是ai出图相关的吧 好专业的东西，泥潭用得上这种的应该也不多吧 虽然但是 CGAI区应该也用不上这个代码吧{:6_169:} 看了开头就已经开始犯迷糊了{:4_100:}理科知识对文科生太不友好了呜呜X﹏X 在泥潭看到大佬了，大佬打的东西我都不是很能看懂 没用过MXnet，一般都是比较普及的pytorch，常用库还是很方便的 silencedonkey 发表于 2024-9-9 09:28
没用过MXnet，一般都是比较普及的pytorch，常用库还是很方便的
对于了解理论和原理来说哪种框架其实都差不多，之后会做pytorch和TensorFlow的。 真的看不太懂
有点梦回大学C语言课堂的感觉{:4_88:} 感觉回到大学课堂了{:6_188:} 但我不是走这个方向的 挺专业的知识科普，准备来观摩学习。 我甚至能在黄油网站学到人工智能omg 好认真的教学 感谢大佬的教导 數據和邏輯向的貼子的確是特別有用處的說, 樓主這貼也是厲害呢:loveliness:
页:
[1]
2