建站
咨詢
售后
建站咨詢
新聞中心
使用自定義模型類從頭開始訓練線性回歸，比較PyTorch 1.x和TensorFlow 2.x之間的自動差異和動態(tài)模型子類化方法，
這篇簡短的文章重點介紹如何在PyTorch 1.x和TensorFlow 2.x中分別使用帶有模塊/模型API的動態(tài)子類化模型，以及這些框架在訓練循環(huán)中如何使用AutoDiff獲得損失的梯度并從頭開始實現 一個非常幼稚的漸變后代實現。
生成噪聲的線性數據
為了專注于自動差異/自動漸變功能的核心，我們將使用最簡單的模型，即線性回歸模型，然后我們將首先使用numpy生成一些線性數據，以添加隨機級別的噪聲。
- def generate_data(m=0.1, b=0.3, n=200):
- x = np.random.uniform(-10, 10, n)
- noise = np.random.normal(0, 0.15, n)
- y = (m * x + b ) + noise return x.astype(np.float32), y.astype(np.float32)
- x, y = generate_data()plt.figure(figsize = (12,5))
- ax = plt.subplot(111)
- ax.scatter(x,y, c = "b", label="samples")
模型
然后，我們將在TF和PyTorch中實現從零開始的線性回歸模型，而無需使用任何層或激活器，而只需定義兩個張量w和b，分別代表線性模型的權重和偏差，并簡單地實現線性函數即可：y = wx + b
正如您在下面看到的，我們的模型的TF和PyTorch類定義基本上完全相同，但在一些api名稱上只有很小的差異。
唯一值得注意的區(qū)別是，PyTorch明確地使用Parameter對象定義權重和要由圖形"捕獲"的偏置張量，而TF似乎在這里更"神奇"，而是自動捕獲用于圖形的參數。
確實在PyTorch參數中是Tensor子類，當與Module api一起使用時，它們具有非常特殊的屬性，可以自動將自身添加到Module參數列表中，并會出現在在parameters（）迭代器中。
無論如何，兩個框架都能夠從此類定義和執(zhí)行方法（call或 forward ），參數和圖形定義中提取信息，以便向前執(zhí)行圖形執(zhí)行，并且正如我們將看到的那樣，通過自動可微分獲得梯度功能，以便能夠執(zhí)行反向傳播。
TensorFlow動態(tài)模型
- class LinearRegressionKeras(tf.keras.Model):
- def __init__(self):
- super().__init__() self.w = tf.Variable(tf.random.uniform(shape=[1], -0.1, 0.1))
- self.b = tf.Variable(tf.random.uniform(shape=[1], -0.1, 0.1))
- def __call__(self,x):
- return x * self.w + self.b
PyTorch動態(tài)模型
- class LinearRegressionPyTorch(torch.nn.Module):
- def __init__(self):
- super().__init__() self.w = torch.nn.Parameter(torch.Tensor(1, 1).uniform_(-0.1, 0.1))
- self.b = torch.nn.Parameter(torch.Tensor(1).uniform_(-0.1, 0.1))
- def forward(self, x):
- return x @ self.w + self.b
訓練循環(huán)，反向傳播和優(yōu)化器
現在我們已經實現了簡單的TensorFlow和PyTorch模型，我們可以定義TF和PyTorch api來實現均方誤差的損失函數，最后實例化我們的模型類并運行訓練循環(huán)。
同樣，本著眼于自動差異/自動漸變功能核心的目的，我們將使用TF和PyTorch特定的自動差異實現方式實現自定義訓練循環(huán)，以便為我們的簡單線性函數提供漸變并手動優(yōu)化權重和偏差參數以及臨時和樸素的漸變后代優(yōu)化器。
在TensorFlow訓練循環(huán)中，我們將特別明確地使用GradientTape API來記錄模型的正向執(zhí)行和損失計算，然后從該GradientTape中獲得用于優(yōu)化權重和偏差參數的梯度。
相反，在這種情況下，PyTorch提供了一種更"神奇"的自動漸變方法，隱式捕獲了對參數張量的任何操作，并為我們提供了相同的梯度以用于優(yōu)化權重和偏置參數，而無需使用任何特定的api。
一旦我們有了權重和偏差梯度，就可以在PyTorch和TensorFlow上實現我們的自定義梯度派生方法，就像將權重和偏差參數減去這些梯度乘以恒定的學習率一樣簡單。
此處的最后一個微小區(qū)別是，當PyTorch在向后傳播中更新權重和偏差參數時，以更隱蔽和"魔術"的方式實現自動差異/自動graf時，我們需要確保不要繼續(xù)讓PyTorch從最后一次更新操作中提取grad，這次明確調用no_grad api，最后將權重和bias參數的梯度歸零。
TensorFlow訓練循環(huán)
- def squared_error(y_pred, y_true):
- return tf.reduce_mean(tf.square(y_pred - y_true))
- tf_model = LinearRegressionKeras()[w, b] = tf_model.trainable_variablesfor epoch in range(epochs):
- with tf.GradientTape() as tape:
- predictions = tf_model(x) loss = squared_error(predictions, y) w_grad, b_grad = tape.gradient(loss, tf_model.trainable_variables) w.assign(w - w_grad * learning_rate) b.assign(b - b_grad * learning_rate) if epoch % 20 == 0:
- print(f"Epoch {epoch} : Loss {loss.numpy()}")
PyTorch訓練循環(huán)
- def squared_error(y_pred, y_true):
- return torch.mean(torch.square(y_pred - y_true))
- torch_model = LinearRegressionPyTorch()[w, b] = torch_model.parameters()for epoch in range(epochs):
- y_pred = torch_model(inputs) loss = squared_error(y_pred, labels) loss.backward() with torch.no_grad():
- w -= w.grad * learning_rate b -= b.grad * learning_rate w.grad.zero_() b.grad.zero_() if epoch % 20 == 0:
- print(f"Epoch {epoch} : Loss {loss.data}")
結論
正如我們所看到的，TensorFlow和PyTorch自動區(qū)分和動態(tài)子分類API非常相似，當然，兩種模型的訓練也給我們非常相似的結果。
在下面的代碼片段中，我們將分別使用Tensorflow和PyTorch trainable_variables和parameters方法來訪問模型參數并繪制學習到的線性函數的圖。
繪制結果
- [w_tf, b_tf] = tf_model.trainable_variables
- [w_torch, b_torch] = torch_model.parameters()with torch.no_grad(): plt.figure(figsize = (12,5))
- ax = plt.subplot(111)
- ax.scatter(x, y, c = "b", label="samples")
- ax.plot(x, w_tf * x + b_tf, "r", 5.0, "tensorflow")
- ax.plot(x, w_torch * inputs + b_torch, "c", 5.0, "pytorch")
- ax.legend() plt.xlabel("x1")
- plt.ylabel("y",rotation = 0)
當前名稱：對比PyTorch和TensorFlow的自動差異和動態(tài)模型
當前網址：http://www.dlmjj.cn/article/codedig.html
