PyTorch搭建多项式回归模型(三)


Posted in Python onMay 22, 2019

PyTorch基础入门三:PyTorch搭建多项式回归模型 

1)理论简介

对于一般的线性回归模型,由于该函数拟合出来的是一条直线,所以精度欠佳,我们可以考虑多项式回归来拟合更多的模型。所谓多项式回归,其本质也是线性回归。也就是说,我们采取的方法是,提高每个属性的次数来增加维度数。比如,请看下面这样的例子:

如果我们想要拟合方程:

PyTorch搭建多项式回归模型(三)

对于输入变量PyTorch搭建多项式回归模型(三)和输出值PyTorch搭建多项式回归模型(三),我们只需要增加其平方项、三次方项系数即可。所以,我们可以设置如下参数方程:

PyTorch搭建多项式回归模型(三)

可以看到,上述方程与线性回归方程并没有本质区别。所以我们可以采用线性回归的方式来进行多项式的拟合。下面请看代码部分。

2)代码实现

当然最先要做的就是导包了,下面需要说明的只有一个:itertools中的count,这个是用来记数用的,其可以记数到无穷,第一个参数是记数的起始值,第二个参数是步长。其内部实现相当于如下代码:

def count(firstval=0, step=1):
 x = firstval
 while 1:
 yield x
 x += step

下面是导包部分代码,这里定义了一个常量POLY_DEGREE = 3用来指定多项式最高次数。

from itertools import count
import torch
import torch.autograd
import torch.nn.functional as F
 
POLY_DEGREE = 3

然后我们需要将数据处理成矩阵的形式:

PyTorch搭建多项式回归模型(三)

在PyTorch里面使用torch.cat()函数来实现Tensor的拼接:

def make_features(x):
 """Builds features i.e. a matrix with columns [x, x^2, x^3, x^4]."""
 x = x.unsqueeze(1)
 return torch.cat([x ** i for i in range(1, POLY_DEGREE+1)], 1)

对于输入的PyTorch搭建多项式回归模型(三)个数据,我们将其扩展成上面矩阵所示的样子。

然后定义出我们需要拟合的多项式,可以随机抽取一个多项式来作为我们的目标多项式。当然,系数PyTorch搭建多项式回归模型(三)和偏置PyTorch搭建多项式回归模型(三)确定了,多项式也就确定了:

W_target = torch.randn(POLY_DEGREE, 1)
b_target = torch.randn(1)
 
def f(x):
 """Approximated function."""
 return x.mm(W_target) + b_target.item()

这里的权重已经定义好了,x.mm(W_target)表示做矩阵乘法,PyTorch搭建多项式回归模型(三)就是每次输入一个PyTorch搭建多项式回归模型(三)得到一个PyTorch搭建多项式回归模型(三)的真实函数。

在训练的时候我们需要采样一些点,可以随机生成一批数据来得到训练集。下面的函数可以让我们每次取batch_size这么多个数据,然后将其转化为矩阵形式,再把这个值通过函数之后的结果也返回作为真实的输出值:

def get_batch(batch_size=32):
 """Builds a batch i.e. (x, f(x)) pair."""
 random = torch.randn(batch_size)
 x = make_features(random)
 y = f(x)
 return x, y

接下来我们需要定义模型,这里采用一种简写的方式定义模型,torch.nn.Linear()表示定义一个线性模型,这里定义了是输入值和目标参数的行数一致(和POLY_DEGREE一致,本次实验中为3),输出值为1的模型。

# Define model
fc = torch.nn.Linear(W_target.size(0), 1)

下面开始训练模型,训练的过程让其不断优化,直到随机取出的batch_size个点中计算出来的均方误差小于0.001为止。

for batch_idx in count(1):
 # Get data
 batch_x, batch_y = get_batch()
 
 # Reset gradients
 fc.zero_grad()
 
 # Forward pass
 output = F.smooth_l1_loss(fc(batch_x), batch_y)
 loss = output.item()
 
 # Backward pass
 output.backward()
 
 # Apply gradients
 for param in fc.parameters():
 param.data.add_(-0.1 * param.grad.data)
 
 # Stop criterion
 if loss < 1e-3:
 break

这样就已经训练出了我们的多项式回归模型,为了方便观察,定义了如下打印函数来打印出我们拟合的多项式表达式:

def poly_desc(W, b):
 """Creates a string description of a polynomial."""
 result = 'y = '
 for i, w in enumerate(W):
 result += '{:+.2f} x^{} '.format(w, len(W) - i)
 result += '{:+.2f}'.format(b[0])
 return result
 
print('Loss: {:.6f} after {} batches'.format(loss, batch_idx))
print('==> Learned function:\t' + poly_desc(fc.weight.view(-1), fc.bias))
print('==> Actual function:\t' + poly_desc(W_target.view(-1), b_target))

程序运行结果如下图所示:

PyTorch搭建多项式回归模型(三)

可以看出,真实的多项式表达式和我们拟合的多项式十分接近。现实世界中很多问题都不是简单的线性回归,涉及到很多复杂的非线性模型。但是我们可以在其特征量上进行研究,改变或者增加其特征,从而将非线性问题转化为线性问题来解决,这种处理问题的思路是我们从多项式回归的算法中应该汲取到的。

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
Python学习笔记(二)基础语法
Jun 06 Python
python实现的简单猜数字游戏
Apr 04 Python
python实现web方式logview的方法
Aug 10 Python
Python单链表简单实现代码
Apr 27 Python
Python循环语句中else的用法总结
Sep 11 Python
linux下python使用sendmail发送邮件
May 22 Python
python之信息加密题目详解
Jun 26 Python
python实现生成Word、docx文件的方法分析
Aug 30 Python
python GUI库图形界面开发之PyQt5拖放控件实例详解
Feb 25 Python
Python的PIL库中getpixel方法的使用
Apr 09 Python
python判断一个变量是否已经设置的方法
Aug 13 Python
python自动化之如何利用allure生成测试报告
May 02 Python
pytorch使用Variable实现线性回归
May 21 #Python
Python面向对象进阶学习
May 21 #Python
谈一谈基于python的面向对象编程基础
May 21 #Python
python字符串和常用数据结构知识总结
May 21 #Python
Opencv实现抠图背景图替换功能
May 21 #Python
python多进程读图提取特征存npy
May 21 #Python
Python中使用pypdf2合并、分割、加密pdf文件的代码详解
May 21 #Python
You might like
实现 win2003 下 mysql 数据库每天自动备份
2006/12/06 PHP
Yii Framework框架获取分类下面的所有子类方法
2014/06/20 PHP
使用PHP如何实现高效安全的ftp服务器(二)
2015/12/30 PHP
Symfony的安装和配置方法
2016/03/17 PHP
非常实用的php验证码类
2016/05/15 PHP
用 JSON 处理缓存
2007/04/27 Javascript
JavaScript通过RegExp实现客户端验证处理程序
2013/05/07 Javascript
Jquery实现网页跳转或用命令打开指定网页的解决方法
2013/07/09 Javascript
jQuery遍历Table应用示例
2014/04/09 Javascript
一个简单的Node.js异步操作管理器分享
2014/04/29 Javascript
jQuery CSS()方法改变现有的CSS样式表
2014/09/09 Javascript
在JavaScript的正则表达式中使用exec()方法
2015/06/16 Javascript
BootStrap使用popover插件实现鼠标经过显示并保持显示框
2016/06/23 Javascript
如何在JS中实现相互转换XML和JSON
2016/07/19 Javascript
jQuery轮播图效果精简版完整示例
2016/09/04 Javascript
jQuery ready()和onload的加载耗时分析
2016/09/08 Javascript
老生常谈JavaScript中的this关键字
2016/10/01 Javascript
Nodejs中解决cluster模块的多进程如何共享数据问题
2016/11/10 NodeJs
浅谈函数调用的不同方式,以及this的指向
2017/09/17 Javascript
[01:07:13]TNC vs Pain 2018国际邀请赛小组赛BO2 第一场 8.17
2018/08/20 DOTA
Python base64编码解码实例
2015/06/21 Python
如何通过50行Python代码获取公众号全部文章
2019/07/12 Python
在Python中画图(基于Jupyter notebook的魔法函数)
2019/10/28 Python
pyhton中__pycache__文件夹的产生与作用详解
2019/11/24 Python
基于Python检测动态物体颜色过程解析
2019/12/04 Python
浅析Python 简单工厂模式和工厂方法模式的优缺点
2020/07/13 Python
介绍一下write命令
2014/08/10 面试题
应届生保险求职信
2013/11/11 职场文书
机电一体化应届生求职信范文
2014/01/24 职场文书
个人现实表现材料
2014/02/04 职场文书
幼儿园教师节感谢信
2015/01/23 职场文书
高考学习决心书
2015/02/04 职场文书
违反纪律检讨书范文
2015/05/07 职场文书
2016优秀青年志愿者事迹材料
2016/02/25 职场文书
PyCharm 配置SSH和SFTP连接远程服务器
2022/05/11 Python
java.util.NoSuchElementException原因及两种解决方法
2022/06/28 Java/Android