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字符串处理之count()方法的使用
May 18 Python
Python Paramiko模块的安装与使用详解
Nov 18 Python
Python实现发送QQ邮件的封装
Jul 14 Python
python 判断矩阵中每行非零个数的方法
Jan 26 Python
Python 互换字典的键值对实例
Feb 12 Python
python实现最小二乘法线性拟合
Jul 19 Python
Python中调用其他程序的方式详解
Aug 06 Python
对Python中 \r, \n, \r\n的彻底理解
Mar 06 Python
Python 使用 PyQt5 开发的关机小工具分享
Jul 16 Python
如何让PyQt5中QWebEngineView与JavaScript交互
Oct 21 Python
jupyter 添加不同内核的操作
Feb 06 Python
Python Pygame实战之塔防游戏的实现
Mar 17 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
PHP脚本数据库功能详解(上)
2006/10/09 PHP
PHP APC的安装与使用详解
2013/06/13 PHP
Linux系统下使用XHProf和XHGui分析PHP运行性能
2015/12/08 PHP
PHP中类的继承和用法实例分析
2016/05/24 PHP
PHP实现登录注册之BootStrap表单功能
2017/09/03 PHP
Laravel (Lumen) 解决JWT-Auth刷新token的问题
2019/10/24 PHP
JS中style属性
2006/10/11 Javascript
javascript+iframe 实现无刷新载入整页的代码
2010/03/17 Javascript
JS将秒换成时分秒实现代码
2013/09/03 Javascript
js图片向右一张张滚动效果实例代码
2013/11/23 Javascript
jquery实现的图片点击滚动效果
2014/04/29 Javascript
js去除浏览器默认底图的方法
2015/06/08 Javascript
想学习javascript JS和jQuery哪个重要 先学哪个
2016/12/11 Javascript
原生js实现轮播图的示例代码
2017/02/20 Javascript
Node.JS中事件轮询(Event Loop)的解析
2017/02/25 Javascript
详解angularjs利用ui-route异步加载组件
2017/05/21 Javascript
JS点击缩略图整屏居中放大图片效果
2017/07/04 Javascript
vue文件树组件使用详解
2018/03/29 Javascript
vue.js+element-ui动态配置菜单的实例
2018/09/07 Javascript
微信小程序基于canvas渐变实现的彩虹效果示例
2019/05/03 Javascript
JS如何操作DOM基于表格动态展示数据
2020/10/15 Javascript
uniapp微信小程序:key失效的解决方法
2021/01/20 Javascript
[03:06]3分钟带你回顾DOTA2完美盛典&完美大师赛
2017/12/06 DOTA
Python用csv写入文件_消除空余行的方法
2018/07/06 Python
python3使用flask编写注册post接口的方法
2018/12/28 Python
python编写扎金花小程序的实例代码
2021/02/23 Python
马来西亚最热门的在线时尚商店:FashionValet
2018/11/11 全球购物
客户代表实习人员自我鉴定
2013/09/27 职场文书
会计专业毕业生求职信分享
2014/01/03 职场文书
上班离岗检讨书
2014/01/27 职场文书
校庆接待方案
2014/03/18 职场文书
2014年妇联工作总结
2014/11/21 职场文书
出国留学单位推荐信
2015/03/26 职场文书
2016年五一促销广告语
2016/01/28 职场文书
导游词之神仙居景区
2019/11/15 职场文书
Golang获取List列表元素的四种方式
2022/04/20 Golang