金准搜索

  • 热搜词:
  • AI
  • 人工智能
  • 金地毯
重要通告:金准AI系统将升级,升级后的系统将不再提供免费服务,金准AI系统将只为我们的缴费会员提供产业生态的构建、商业信息报告及相关服务。

深度学习模型速成,三分钟解决经典线性回归模型(附完整代码)

2019-03-11 14:54:16 | 发表于 山东人民广播电台资讯 | 原文链接

每天给小编五分钟,小编用自己的代码,带你轻松学习人工智能!本文将会带你做完一个深度学习进阶项目,让你熟练掌握线性回归这一深度学习经典模型,然后在此基础上,小编将在下篇文章带你通过此模型实现对股票涨幅的预测。野蛮智能,小白也能看懂的人工智能。

线性回归是什么?假如给定数据集{[x1,y1],[x2,y2][x3,y3]……},线性回归希望用一个近似函数来描述这组数据,这个数据集里y的影响因素只有一个就是x,那描述的结果应该就是y = wx + b这样一条直线。这时就把这个解题模型叫做一维线性回归。以此类推,当我们给定一组数据集{[x11,x12,x13,x14,y1],[x21,x22,x23,x24,y2],[x31,x32,x33,x34,y3]……},可以看到这组数据有4个自变量,一个因变量,就可以把它称为多维线性回归,对应产生的直线也是更高维度的,所以总结一下:线性回归目的是创造一条线,使这条线尽可能多的经过我们的数据点,从而显现出数据的一般规律,进而预测出更多的规律。线性回归的优势:也许你看完上边的解释,你会觉得线性回归技术含量太低,但是,越简单越实用,这确实人工智能领域经久不衰的数学模型之一,面对比较复杂的现实问题,我们只要用更高的维度来描述,就可以把这组数据的规律描述清楚。而且这个模型的可解释性好,所有的参数和对应的权重,我们都可以清晰地看到对应的含义。所以当前很多应用问题,我们都是用的这个模型的基础上变化出很多版本来使用。都获得了很好的效果。线性回归的应用:既然线性回归创造的这条线拟合了过去的数据,那么数据的规律就蕴藏在这条线中,可以用它来实现未来的预测,所以在下篇文章中,小编将带着大家做一个真正的,股票市场的涨幅预测模型。另一个应用是描述权重,通过线性回归,可以得到不同属性对最后结果的影响大小。进而帮助为我们选择其他数学模型提供信息支持。代码配送站:

如果你还没有搭建好自己的深度学习模型。参考小编的写给纯小白的深度学习环境搭建宝典:pytorch+tensorflow。下面进入实战。

以下是小编的代码,为了帮助大家多多练习,特意印成了图片格式。

在这段代码中,首先是导入必要的包,其中第一二行的matplotlib.pyplot和numpy是用来画图的,torch.nn是神经网络模组,用来进行神经网络的相关处理。Variable是将张量转换为变量的函数。

然后构建数据想x_train和y_train,一共12组,即为12个点。然后用matplotlib工具的scatter和show将这12个点画出来。运行结果如下图所示:

class内的部分,定义了这个训练的模型,也就是线性回归,先用super初始化,然后调用nn.linear创建一层神经元。然后使用前向传播并返回执行结果。if_else部分是这个线性回归模型放在GPU或者CPU上的选择。优先放在GPU上,没有GPU就使用CPU。

criterion = nn.MSELoss()定义了损失函数。optimizer定义了优化器,选择使用的是SGD(梯度下降)。最后就是进行训练了,我们设定迭代1000次,然后把数据放在GPU上(或者CPU上),然后将输入数据装入模型,保存模型运行出来的结果out。然后算出loss值,在进行梯度优化前进行归零,对loss值求导后进行梯度优化。等待三到五秒,模型训练完毕。中间输出以下结果。

然后进行模型测试,首先需要将模型的状态转为测试,通过eval()完成。然后将原来的训练集传入测试,观察输出的预测值。中间需要注意下述部分:

整体效果还不错,如果想更加熟练地掌握,那么自己也去敲一遍代码吧。出现问题,可以在评论区留言,小编看到就会回的。野蛮智能,小白也能看懂的人工智能,欢迎大家跟小编一起来学习。