PyTorch深度学习入门深度学习基础 2.2 线性回归 7. 大规模数据实例

╰半橙微兮° 2024-03-27 17:43 20阅读 0赞

#### PyTorch深度学习入门 ####

![在这里插入图片描述][67269564c7484deeb6fc96bcb0851838.png_pic_center]

##### 深度学习基础 #####

##### 2.2 线性回归 #####

###### 7. 大规模数据实例 ######

之前我们已经完成了一次5个数据样本的机器学习训练

![在这里插入图片描述][89b516360b0c45c0b98e74d044f5f2d9.png_pic_center]

在训练时，我们将这 5 个数据样本同时输入程序，这种方式 → 批输入。

现在我们尝试使用自动生成的100 000 个数据样本，再进行一次

import torch
    import matplotlib.pyplot as plt
    
    
    def Produce_X(x):
        x0 = torch.ones(x.numpy().size)
        X = torch.stack((x, x0), dim=1)
        return X
    
    
    x = torch.linspace(-3, 3, 100000)
    X = Produce_X(x)
    y = x + 1.2 * torch.rand(x.size())
    w = torch.rand(2)
    
    plt.scatter(x.numpy(), y.numpy(), s=0.001)
    plt.show()

![在这里插入图片描述][14648abca7364082858f37f814ece3f9.png_pic_center]

上述代码中使用linspace()函数在(-3,3)区间内划分出100000个点。为了使数据符合线性分布且真实，y值在×值的基础上增加了一些误差。关于误差，我们可以用rand()函数生成一组在\[0，1)区间内均匀分布的随机数，随机数的个数为x的元素个数乘以1.2。

接下来，我们用cuda.is\_available()函数对运行平台进行CUDA检测。如果是支持CUDA的平台，则采用GPU进行加速运算：

CUDA = torch.cuda.is_available()
    
    if CUDA:
        inputs = X.cuda()
        target = y.cuda()
    
        w = w.cuda()
        w.requires_grad = True
    else:
        inputs = X
        target = y
        w = w
        w.requires_grad = True

同样，我们定义train()函数和draw()函数。需要注意的是，如果采用了CUDA加速，draw()函数的output需要还原成CPU的数据类型才能进行绘图：

def draw(output, loss):
        if CUDA:
            output = output.cpu()
        plt.cla()
        plt.scatter(x.numpy(), y.numpy())
        plt.plot(x.numpy(), output.data.numpy(), 'r-', lw=5)
        plt.text(0.5, 0, 'loss=%s' % (loss.item()), fontdict={
        'size': 20, 'color': 'red'})
        plt.pause(0.005)
    
    
    def train(epochs=1, learning_rate=0.01):
        for epoch in range(epochs):
            output = inputs.mv(w)
            loss = (output - target).pow(2).sum() / 100000
    
            loss.backward()
            w.data -= learning_rate * w.grad
            w.grad.zero_()
    
            if epoch % 80 == 0:
                draw(output, loss)
    
        return w, loss

为了记录整个训练过程的时间长度，引入time 包，然后开始训练

from time import perf_counter
    
    start = perf_counter()
    w, loss = train(10000, learning_rate=1e-4)
    finish = perf_counter()
    time = finish - start
    
    print("计算时间: %s" % time)
    print("final loss: ", loss.item())
    print("weights: ", w.data)

> 这里为了防止绘图耗时影响，就暂时不绘图了
> 
> ![在这里插入图片描述][ed1cc7ddff994453b68e64e618945810.png_pic_center]

CPU情况下：

![在这里插入图片描述][7bcd57a38d7d45cca9ac1f01d8c59efe.png_pic_center]

使用GPU加速：

![在这里插入图片描述][96d0813b140c4a7eb9a7746da53ce05f.png_pic_center]

一个26s，一个2s，差别还是很大很大的。

[67269564c7484deeb6fc96bcb0851838.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/27/2e782a1003cc4a5d8b78f25f977c5e84.png
[89b516360b0c45c0b98e74d044f5f2d9.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/27/6e550c10ae2e41c49edb806964ec2dfe.png
[14648abca7364082858f37f814ece3f9.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/27/37948e05dc5f4e2fbd31c5e79104a0cb.png
[ed1cc7ddff994453b68e64e618945810.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/27/bf134486fa18491a8f2ddaa0cdde0359.png
[7bcd57a38d7d45cca9ac1f01d8c59efe.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/27/96816913e6bc4bd6a6c125330e38cd99.png
[96d0813b140c4a7eb9a7746da53ce05f.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/27/c7f5850b66b049039b44fbde7db67aee.png