【机器学习】可拟合任意线性函数的小玩意儿
【机器学习】可拟合任意线性函数的小玩意儿
先上完整代码
import torch as t
import torch.nn as nn
import torch.optim as optim
def training_loop(n_epochs, optimizer, model,loss_fn, t_u, t_c):
for epoch in range(1, n_epochs + 1):
t_p = model(t_u) #计算当前模型的预测值
loss = loss_fn(t_p, t_c) #计算损失函数
optimizer.zero_grad()
loss.backward() #回溯累计损失
optimizer.step()
if epoch % 50 == 0:
print('Epoch %d, Loss %f' % (epoch, float(loss)))
return model
epoches=30000 #迭代次数 一般次数适中，为防止过度拟合不建议迭代次数过多
num=50000 #随机生成的样本数 一般越多越好，看运行配置
learning_rate=1e-4 #学习率（数值越大学得越快（但不一定准确），数值越小拟合越好（时间较长））建议取 1e-2 、1e-3、1e-4、1e-5
x = t.randn(num, 1)
def f(x):
return 30 * x + 10
#待拟合的式子为 y=30*x +10 可自行修改if you like。
y = f(x)+ t.randn(num, 1)*10 # 后面的 t.randn(num, 1)*10 是偏离值，降低训练的精确性（给你的模型更多的挑战）
linear_model = nn.Linear(1, 1)
optimizer = optim.SGD(linear_model.parameters(), lr=learning_rate)
training_loop(n_epochs=epoches,optimizer=optimizer,model=linear_model,loss_fn=nn.MSELoss(),t_u=x,t_c=y)
print('\n')
#print(linear_model.weight)
#print(linear_model.bias)
while(1):
x=float(input('请输入想预测的x值：'))
tmp=float(linear_model(t.tensor([x]))[0])
print("拟合值:",tmp)
print("真实值:",f(x))
print("相对误差:",1-tmp/f(x))
print('\n')
这个程序可以分为两个部分(生成训练数据、机器学习模型)，其中生成训练数据部分可有可无(因为在实际应用中，一般数据为人工导入，不是系统随机生成)。
不得不说，PyTorch真香。
下面来简单地介绍一下这个模型：
它基于PyTorch深度学习框架，实现了简单的机器学习，主体采用梯度下降法，内部调用PyTorch的SGD计算梯度函数
基本功能是根据已有的训练数据，拟合出X与Y的线性对应关系
我们用这个模型拟合 Y=30 * X + 10 这个函数
这是代码的主要配置界面，想玩的在这里配置参数
目前随机生成50000个不太准确的训练数据(准确值+一个随机数)，进行30000轮迭代。
（普通电脑能够在3秒内完成所有训练的超小规模训练=。=）
可以看到，随着迭代次数的增加，LOSS(拟合偏离值)在不断减小。说明训练效果不错
可以看到预测值与真实值非常接近，相对误差在0.3%以内。
（这个应该比较精确了，如果需要，可以加大训练数据，加深迭代次数进行更加精确的训练）
这个只是简单的机器学习模型，甚至都没有建立人工神经网络。。。
不过要怎么说呢，学起来！！！
反思
缺点：
或许，这个模型实用性为零。因为它只能拟合线性函数，无法拟合其它函数。
（说实话与其用这个模型，还不如用R语言分析，再不济也能用Excel计算 线性回归方程 。这样效率会高很多很多。。。。
前景：
- 在这个模型的基础上可以编写能拟合非线性函数的模型。
- 如果输入的参数很多，例如Y=f(x1,x2,x3...),那么回归方程不太适用的时候，这类模型依旧能拟合出Y与各个参数的关系。
- 不需要关注目标函数的构成：在更加深层次的机器学习模型中，我们并不关注目标函数的构成（即不需要预先知道Y与X是否符合特定的关系，如Y=aX+b，Y=aX^b+c等构成式），这样能够大大减轻拟合一个函数的负担。