python - PyTorch 线性回归模型

Question

我有一个多元线性回归问题，其中每个数据点如下所示:

y_i = 3                             # Some integer between 0 and 20
X_i = [0.5, 80, 0.004, 0.5, 0.789]  # A 5 dimensional vector

我可以使用 sklearn 训练一个简单的线性模型，例如:

from sklearn import linear_model
ols = linear_model.LinearRegression()
model = ols.fit(X, y)

这让我得到了大约 55% 的准确率(线性模型不适合这个问题，但这是证明问题建模可行性的基线，也是我学习 PyTorch 的一种方式，之前使用过 TensorFlow ).

当我尝试使用 PyTorch 训练线性模型时，我将模型定义为:

class TwoLayerNet(torch.nn.Module):
    def __init__(self, D_in, D_out):

        super(TwoLayerNet, self).__init__()
        self.linear1 = torch.nn.Linear(D_in, D_out)

    def forward(self, x):

        y_pred = self.linear1(x)
        return y_pred

D_in, D_out = 5, 1
model = TwoLayerNet(D_in, D_out)

训练为:

epochs = 10
criterion = torch.nn.MSELoss(reduction='sum')
optimizer = torch.optim.SGD(model.parameters(), lr=1e-4)
for epoch in range(epochs):
    for n, batch in enumerate(batches):
        X = []
        y = []
        for values in batch:
            X.append(values[0])
            y.append(values[1])
        
        X = torch.from_numpy(np.asarray(X))
        y = torch.from_numpy(np.asarray(y))
        # Forward pass: Compute predicted y by passing x to the model
        optimizer.zero_grad()
        y_pred = model(X)
        # Compute and print loss
        loss = criterion(y_pred, y)
        if n % 100 == 99:
            print(n, loss.item())

        # Zero gradients, perform a backward pass, and update the weights.
        
        loss.backward()
        optimizer.step()

这只是我调整过的 PyTorch 文档中的一些代码。当前设置仅达到 ~25%，远不及我对线性模型的预期精度。我在 PyTorch 模型训练中做错了什么吗？

Answer 1

tam63,

您在模型定义中缺少激活函数。替换

y_pred = self.linear1(x)

与

y_pred =  F.relu(self.linear1(x))

还有一些事情可能会出错。例如(1)学习率太低，(2)层数太少(再加一层)。如果你像你说的那样熟悉 TF，请在 TF 中尝试同样的问题，一旦你有好的结果 - 将它转化为具有相同网络结构和相同超参数的 Pytorch。