pytorch回归房价 pytorch房价预测模型

import torch
# 导入库
torch.cuda.is_available()

为了解释线性回归，我们举一个实际的例子： 我们希望根据房屋的面积（平方英尺）和房龄（年）来估算房屋价格（美元）

目标（房屋价格）可以表示为特征（面积和房龄）的加权和，如下式子：

$price = w_{area} \times area + w_{age} \times age + b$

$w_{area}$和 $w_{age}$称为权重（weight），权重决定了每个特征对我们预测值的影响。

b 称为偏置（bias）、偏移量（offset）或截距（intercept）。 偏置是指当所有特征都取值为0时，预测值应该为多少。 即使现实中不会有任何房子的面积是0或房龄正好是0年，我们仍然需要偏置项。 如果没有偏置项，我们模型的表达能力将受到限制。

Gradient descent summary

So far in this course, you have developed a linear model that predicts $f_{w,b}(x^{(i)})$:
$f_{w,b}(x^{(i)}) = wx^{(i)} + b \tag{1}$
In linear regression, you utilize input training data to fit the parameters $w$,$b$ by minimizing a measure of the error between our predictions $f_{w,b}(x^{(i)})$ and the actual data $y^{(i)}$. The measure is called the $cost$, $J(w,b)$. In training you measure the cost over all of our training samples $x^{(i)},y^{(i)}$
$J(w,b) = \frac{1}{2m} \sum\limits_{i = 0}^{m-1} (f_{w,b}(x^{(i)}) - y^{(i)})^2\tag{2}$

In lecture, gradient descent was described as:

$\begin{align*} \text{repeat}&\text{ until convergence:} \; \lbrace \newline \; w &= w - \alpha \frac{\partial J(w,b)}{\partial w} \tag{3} \; \newline b &= b - \alpha \frac{\partial J(w,b)}{\partial b} \newline \rbrace \end{align*}$
where, parameters $w$, $b$ are updated simultaneously.
The gradient is defined as:
$\begin{align} \frac{\partial J(w,b)}{\partial w} &= \frac{1}{m} \sum\limits_{i = 0}^{m-1} (f_{w,b}(x^{(i)}) - y^{(i)})x^{(i)} \tag{4}\\ \frac{\partial J(w,b)}{\partial b} &= \frac{1}{m} \sum\limits_{i = 0}^{m-1} (f_{w,b}(x^{(i)}) - y^{(i)}) \tag{5}\\ \end{align}$

**Here simultaniously means that you calculate the partial derivatives for all the parameters before updating any of the parameters. **

In lecture, gradient descent was described as:

$\begin{align*} \text{repeat}&\text{ until convergence:} \; \lbrace \newline \; w &= w - \alpha \frac{\partial J(w,b)}{\partial w} \tag{3} \; \newline b &= b - \alpha \frac{\partial J(w,b)}{\partial b} \newline \rbrace \end{align*}$
where, parameters $w$, $b$ are updated simultaneously.
The gradient is defined as:
$\begin{align} \frac{\partial J(w,b)}{\partial w} &= \frac{1}{m} \sum\limits_{i = 0}^{m-1} (f_{w,b}(x^{(i)}) - y^{(i)})x^{(i)} \tag{4}\\ \frac{\partial J(w,b)}{\partial b} &= \frac{1}{m} \sum\limits_{i = 0}^{m-1} (f_{w,b}(x^{(i)}) - y^{(i)}) \tag{5}\\ \end{align}$

**Here simultaniously means that you calculate the partial derivatives for all the parameters before updating any of the parameters. **

首先我们自己生成一些数据，这些数据也许跟现实没有任何联系，但是可以用它们指代一个线性关系：即房屋面积以及房龄两个自变量与房价（因变量）之间存在的某种关系。

# 生成数据（使用线性模型参数 w = [ 2 , − 3.4 ] ⊤ b = 4.2 和噪声项 ϵ 生成数据集及其标签）：
# y = X w + b + ϵ 
# w, b, 样本数
def synthetic_data(w, b, num_examples):
    # X 为矩阵，表示生成 样本数*len(w) 的（0，1）正态分布的矩阵。
    # len(w) 表示特征数
    X = torch.normal(0, 1, (num_examples, len(w)))
    # X matrix (1000,2) (1000个样例，2个输入特征：面积、房龄)
    # w vector （2）
    y = torch.matmul(X, w) + b
    # y vector （1000）
    # y = Xw + b + 噪声，噪声呈现标准差为 0.01 的正态分布。
    y += torch.normal(0, 0.01, y.shape)
    # (-1, 1) 代表作为列向量返回（指定列数为1，行数自动确定。）
    # 在torch中，如果要区分行向量与列向量的区别，则必须用矩阵表示，对于计算机来说，单纯的一列或一行都是一个一维数组
    return X, y.reshape((-1, 1)) 
# 预先设置好真实的参数w，b（现实中我们可能是不知道这个参数的，需要从大量数据中发现这个规律，从而可以预测新的数据）
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = synthetic_data(true_w, true_b, 1000)
print(f"features:{features[:3]},\n labels:{labels[:3]}")

查看前三个样本，其中第三个样本的含义就是，当房屋面积为1.3822、房龄为0.9644时，该房屋的房价为3.6739.
features:tensor([[-0.3011, -0.6250],
[ 0.5002, -0.3313],
[ 1.3822, 0.9644]]),
labels:tensor([[5.7323],
[6.3256],
[3.6739]])

注意，上述数据都是伪造的，包括真实的权重参数w和b，接下来我们的任务就是：假设我们不知道真实的权重参数，根据这些大量的样本，如何推断出权重参数（或者尽可能地逼近真实值），这就是线性回归的任务。

首先我们将w，b参数初始化为0

# 随机初始化参数，并计算梯度。
# 划重点： 需要 w，b 进行更新，所以才将 requires_grad设置为 True
w = torch.tensor([0., 0.], requires_grad=True)
b = torch.tensor([0.], requires_grad=True)
w,b

定义平方损失函数

# 计算样本总的损失
def calc_cost(X,w,b,labels,m):
    # 批量梯度下降，求取全部样本的损失相加
    prices = torch.matmul(X,w)+b
    cost = 0
    # 对标上面的公式（2）
    for i in range(m):
        cost += (prices[i] - labels[i])**2
    total_cost = 1 / (2 * m) * cost     

    return total_cost

定义批量梯度下降算法

# 批量梯度下降算法，参数，学习率
def sgd(params, lr):  
    # 更新时不参与梯度计算（simultaneously update，同时对w和b求偏导，然后再更新参数w，b）（对应公式（3））
    with torch.no_grad(): # 当requires_grad设置为False时,反向传播时就不会自动求导了，因此大大节约了显存或者说内存
        for param in params:
            param -= lr * param.grad
            print(f"参数更新为：{param}")
            param.grad.zero_()  # 每一个批次都要对每个参数的梯度进行清零（这里的一个批次就是全部样本）

训练过程如下，可以自行更改迭代次数和学习率。

# 训练
# 学习率
lr = 0.008
# 迭代次数
num_epochs = 600
loss = calc_cost

for epoch in range(num_epochs):
    total_cost = calc_cost(features,w,b,labels,len(labels))  # 批量总损失（对标公式（2））
    print(f"第{epoch+1}轮迭代的总损失：{total_cost}") 
    total_cost.backward() # 自动求导（对标公式（4）（5））
    print(f"梯度分别为：{w.grad},{b.grad}") # 临时偏导数（梯度）
    sgd([w,b],lr) # 根据梯度，更新参数（对应公式（3））
    print(f"面积权重、房龄权重的真实参数为：{true_w}\n偏置的真实参数为：{true_b}\n")

第597轮迭代的总损失：tensor([0.0014], grad_fn=<MulBackward0>)
梯度分别为：tensor([-0.0192,  0.0320]),tensor([-0.0352])
参数更新为：tensor([ 1.9793, -3.3672], requires_grad=True)
参数更新为：tensor([4.1645], requires_grad=True)
面积权重、房龄权重的真实参数为：tensor([ 2.0000, -3.4000])
偏置的真实参数为：4.2

第598轮迭代的总损失：tensor([0.0014], grad_fn=<MulBackward0>)
梯度分别为：tensor([-0.0190,  0.0318]),tensor([-0.0350])
参数更新为：tensor([ 1.9795, -3.3674], requires_grad=True)
参数更新为：tensor([4.1648], requires_grad=True)
面积权重、房龄权重的真实参数为：tensor([ 2.0000, -3.4000])
偏置的真实参数为：4.2

第599轮迭代的总损失：tensor([0.0013], grad_fn=<MulBackward0>)
梯度分别为：tensor([-0.0189,  0.0315]),tensor([-0.0347])
参数更新为：tensor([ 1.9796, -3.3677], requires_grad=True)
参数更新为：tensor([4.1651], requires_grad=True)
面积权重、房龄权重的真实参数为：tensor([ 2.0000, -3.4000])
偏置的真实参数为：4.2

第600轮迭代的总损失：tensor([0.0013], grad_fn=<MulBackward0>)
梯度分别为：tensor([-0.0188,  0.0313]),tensor([-0.0344])
参数更新为：tensor([ 1.9798, -3.3679], requires_grad=True)
参数更新为：tensor([4.1653], requires_grad=True)
面积权重、房龄权重的真实参数为：tensor([ 2.0000, -3.4000])
偏置的真实参数为：4.2

可以看到，在训练的过程中，w，b参数在不断地根据梯度下降的方向进行调整，损失也随之不断减小，最终损失下降到接近0，w，b参数也调整至接近真实参数。