当前位置：首页 > news >正文

【动手学深度学习】3.1. 线性回归

news 2025/6/7 6:30:16

3. 线性神经网络
- 3.1. 线性回归
- - 1）线性回归基本元素
  - - （1）线性模型
    - （2）损失函数（loss function）
    - （3）解析解（analytical solution）
    - （4）随机梯度下降
    - （5）用模型进行预测
  - 2）矢量化加速
  - 3）正态分布与平方损失
  - 4）从线性回归到深度网络
  - - （1）神经网络图
    - （2）生物学
  - 5）小结

3. 线性神经网络

在介绍深度神经网络之前，我们需要了解神经网络训练的基础知识。

本章我们将介绍神经网络的整个训练过程，包括：定义简单的神经网络架构、数据处理、指定损失函数和如何训练模型。

为了更容易学习，我们将从经典算法————线性神经网络开始，介绍神经网络的基础知识。经典统计学习技术中的线性回归和softmax回归可以视为线性神经网络。

3.1. 线性回归

回归（regression）是能为一个或多个自变量与因变量之间关系建模的一类方法。

在机器学习领域中的大多数任务通常都与预测（prediction）有关。当我们想预测一个数值时，就会涉及到回归问题。

1）线性回归基本元素

线性回归（linear regression）定义：

假设自变量 x 与因变量 y 呈线性关系，y 可表示为 x 的加权和 + 噪声（通常假设噪声服从正态分布）。

实际例子：预测房屋价格。使用房屋面积和房龄作为特征（自变量），房屋价格作为标签（因变量），基于训练数据集建立预测模型。

训练集（training set）：包含样本数据的数据集（包含历史房价、面积、房龄）。
样本/数据点（sample/data point）：单次交易数据（包含特征和标签）。
特征/协变量（feature/covariate）：用于预测的自变量（面积 x1、房龄 x2）。
标签/目标（label/target）：待预测的目标变量（房价 y）。

（1）线性模型

线性假设是指目标（房屋价格）可以表示为特征（面积和房龄）的加权和，如下：

$\mathrm{price} = w_{\mathrm{area}} \cdot \mathrm{area} + w_{\mathrm{age}} \cdot \mathrm{age} + b$

$w_{\mathrm{area}} \ 和 \ w_{\mathrm{age}}$ ：称为权重（weight）；
b ：称为偏置（bias）、偏移量（offset）或截距（intercept）；

以上公式，是输入特征的一个 仿射变换（affine transformation）。即通过加权和对特征进行线性变换（linear transformation），并通过偏置项来进行平移（translation）。

（a）高维数据的线性代数表示：

对于包含 d 个特征的数据，预测结果 $\hat{y}$ 表示为：

$\hat{y} = w_1 x_1 + w_2 x_2 + \cdots + w_d x_d + b$

将所有特征放入向量 x，权重放入向量 w，模型可简洁表示为点积形式：

$\hat{y} = \mathbf{w}^\top \mathbf{x} + b$

对于整个数据集（包含 n 个样本），特征矩阵 X 的每一行表示一个样本，每列表示一种特征。预测值向量 $\hat{\mathbf{y}}$ 可通过矩阵 - 向量乘法得到：

$\hat{\mathbf{y}} = \mathbf{X} \mathbf{w} + b$

（b）线性回归的目标：

给定训练数据特征 X 和对应的真实标签 y，线性回归的目标是找到一组权重向量 w 和偏置 b，使得模型在新样本上的预测误差尽可能小。

实际中，观测数据会存在误差，因此模型中加入噪声项，允许预测值与真实值间存在一定偏差。

在寻找最佳模型参数 w 和 b 之前，需要：

一种度量模型质量的方法；
一种更新模型以提高预测质量的方法。

（2）损失函数（loss function）

损失函数（loss function）：用于衡量目标实际值与预测值之间的差距，通常为非负数，且数值越小表示损失越小，完美预测时损失为 0。回归问题中常用平方误差函数作为损失函数。

（a）平方误差函数：

对于样本 i，预测值为 $\hat{y}^{(i)}$ ，真实标签为 $y^{(i)}$ ，平方误差定义为：

$l^{(i)} (\mathbf{w},b)= \frac{1}{2} \left(\hat{y}^{(i)} - y^{(i)}\right)^2$

其中常数 1/2 不影响损失函数的本质，但在求导后会使系数为 1，简化形式。

（b）数据集损失:

由于平方误差函数中的二次方项，实际值与预测值之间较大的差异将导致更大的损失。

为衡量模型在整个数据集上的质量，计算训练集 n 个样本上的损失均值（也等价于求和）：

$L(\mathbf{w}, b) = \frac{1}{n} \sum_{i=1}^{n} l^{(i)}(\mathbf{w}, b) = \frac{1}{n} \sum_{i=1}^{n} \frac{1}{2} (\mathbf{w}^\top \mathbf{x}^{(i)} + b - y^{(i)})^2$

（c）优化目标：

在训练模型时，我们希望寻找最优参数 $(\mathbf{w}^*, b^*)$ 最小化总损失。如下式：

$\mathbf{w}^*, b^* = \underset{\mathbf{w}, b}{\operatorname{argmin}}\ L(\mathbf{w}, b)$

即通过调整权重 w 和偏置 b，使模型在整个训练集上的预测误差最小化。

（3）解析解（analytical solution）

线性回归的解可以用一个公式简单地表达出来，这类解叫作解析解（analytical solution）。

首先，我们将偏置b合并到参数w中，合并方法是在包含所有参数的矩阵中附加一列。

我们的预测问题是最小化 $||\mathbf{y} - \mathbf{X}\mathbf{w}||^2$ 。这在损失平面上只有一个临界点，这个临界点对应于整个区域的损失极小点。将损失关于w的导数设为0，得到解析解：

$\mathbf{w}^* = (\mathbf X^\top \mathbf X)^{-1}\mathbf X^\top \mathbf{y}$

像线性回归这样的简单问题存在解析解，但并不是所有的问题都存在解析解。

解析解可以进行很好的数学分析，但解析解对问题的限制很严格，导致它无法广泛应用在深度学习里。

（a）公式推导过程：

线性回归的目标是最小化损失函数：

$\|y - Xw\|^2 = y^\top y - 2w^\top X^\top y + w^\top X^\top Xw$

对 w 求导，并令导数为零，得到：

$\frac{\partial L}{\partial w} = -2X^\top y + 2X^\top Xw = 0$

整理得：

$X^\top Xw = X^\top y$

当 $X^\top X$ 可逆（即矩阵满秩且非奇异）时，解为：

$w^* = (X^\top X)^{-1}X^\top y$

这是线性回归的解析解。它要求特征矩阵 X 列满秩，否则需用梯度下降等数值方法求解。

（4）随机梯度下降

梯度下降（gradient descent）是一种通用的优化方法，通过计算损失函数关于模型参数的导数（梯度），沿着梯度递减方向更新参数以降低误差。

（a）小批量随机梯度下降：

传统梯度下降需要遍历整个数据集计算梯度，执行效率低。小批量随机梯度下降（minibatch stochastic gradient descent）通过随机抽取小批量样本计算梯度，提高训练效率。

算法步骤

初始化参数 ：随机初始化模型参数。
迭代更新 ：在每次迭代中：
- 随机抽取小批量样本 $\mathcal{B}$ 。
- 计算小批量样本的平均损失关于模型参数的梯度。
- 按以下公式更新参数：其中， $\eta$ 是学习率（learning rate）。
$(\mathbf{w},b) \leftarrow (\mathbf{w},b) - \frac{\eta}{|\mathcal{B}|} \sum_{i \in \mathcal{B}} \partial_{(\mathbf{w},b)} l^{(i)}(\mathbf{w},b).$
循环迭代：直到 $(\mathbf{w},b)$ 收敛满足要求。

（b）超参数：

批量大小（Batch Size） ：小批量样本的数量，通常手动指定。
学习率（Learning Rate） ：控制参数更新的步长，是重要的超参数。

超参数不在训练过程中自动更新，需通过调参（超参数调整）在独立的验证数据集上评估并选择合适的值。

（c）收敛性与泛化：

即使模型为线性且无噪声，有限步数内估计值也难以使损失函数精确达到最小值，但会缓慢收敛。
对于复杂模型（如深度神经网络），损失平面上存在多个最小值，实践中更关注找到在未见数据上低损失的参数组合，即实现良好的泛化（generalization）能力，而非在训练集上损失最小。

（5）用模型进行预测

给定“已学习”的线性回归模型 $\hat{\mathbf{w}}^\top \mathbf{x} + \hat{b}$ ，现在我们可以通过房屋面积x_1和房龄x_2来估计一个（未包含在训练数据中的）新房屋价格。给定特征估计目标的过程通常称为预测（prediction）或推断（inference）。

2）矢量化加速

训练模型时，我们常希望能同时处理整个小批量样本。为实现这一点，需要我们对计算进行矢量化，从而利用线性代数库，而不是用开销高昂的for循环。

为说明矢量化的重要性，我们考虑对向量相加的两种方法。

一种方法，是使用Python的for循环遍历向量；
另一种方法中，我们将依赖对+的调用。

n = 10000
a = torch.ones([n])
b = torch.ones([n])# 1.for循环方式：用时'0.16749 sec'
c = torch.zeros(n)
timer = Timer()
for i in range(n):c[i] = a[i] + b[i]
f'{timer.stop():.5f} sec'# 2.使用重载的+运算符：用时'0.00042 sec'
timer.start()
d = a + b
f'{timer.stop():.5f} sec'

结果很明显，第二种方法比第一种方法快得多。矢量化代码通常会带来数量级的加速。另外，我们将更多的数学运算放到库中，而无须自己编写那么多的计算，从而减少了出错的可能性。

3）正态分布与平方损失

（1）正态分布：

接下来，我们通过对噪声分布的假设来解读平方损失目标函数。

正态分布和线性回归之间的关系很密切。 正态分布（normal distribution），也称为高斯分布（Gaussian distribution）。

若随机变量具有均值 $\mu$ 和方差 $\sigma^2$ （标准差 $\sigma$ ），其正态分布概率密度函数如下：

$\frac{1}{\sqrt{2 \pi \sigma^2}} \exp\left(-\frac{1}{2 \sigma^2} (x - \mu)^2\right)$

可视化正态分布。

# 定义一个Python函数来计算正态分布。
def normal(x, mu, sigma):p = 1 / math.sqrt(2 * math.pi * sigma**2)return p * np.exp(-0.5 / sigma**2 * (x - mu)**2)x = np.arange(-7, 7, 0.01)
params = [(0, 1), (0, 2), (3, 1)]   # 均值和标准差对
d2l.plot(x, [normal(x, mu, sigma) for mu, sigma in params], xlabel='x',ylabel='p(x)', figsize=(4.5, 2.5),legend=[f'mean {mu}, std {sigma}' for mu, sigma in params])

在这里插入图片描述

就像我们所看到的，改变均值会产生沿x轴的偏移，增加方差将会分散分布、降低其峰值。

（2）均方损失：

均方误差损失函数（简称均方损失）可以用于线性回归的一个原因是：我们假设了观测中包含噪声，其中噪声服从正态分布。噪声正态分布如下式:

$\mathbf{w}^\top \mathbf{x} + b + \epsilon, \ \ \epsilon \sim \mathcal{N}(0, \sigma^2)$

因此，我们现在可以写出通过给定的观测x到特定y的似然（likelihood）：

$\mid \mathbf{x}) = \frac{1}{\sqrt{2 \pi \sigma^2}} \exp\left(-\frac{1}{2 \sigma^2} (y - \mathbf{w}^\top \mathbf{x} - b)^2\right)$

现在，根据极大似然估计法，参数w和b的最优值是使整个数据集的似然最大的值：

$P(\mathbf y \mid \mathbf X) = \prod_{i=1}^{n} p(y^{(i)}|\mathbf{x}^{(i)})$

根据极大似然估计法选择的估计量称为极大似然估计量。

虽然使许多指数函数的乘积最大化看起来很困难，但是我们可以在不改变目标的前提下，通过最大化似然对数来简化。

由于历史原因，优化通常是说最小化而不是最大化。我们可以改为最小化负对数似然 $-\log P(\mathbf y \mid \mathbf X)$ 。由此可以得到的数学公式是：

$-\log P(\mathbf y \mid \mathbf X) = \sum_{i=1}^n \frac{1}{2} \log(2 \pi \sigma^2) + \frac{1}{2 \sigma^2} \left(y^{(i)} - \mathbf{w}^\top \mathbf{x}^{(i)} - b\right)^2$

现在我们只需要假设 $\sigma$ 是某个固定常数就可以忽略第一项，因为第一项不依赖于w和b。现在第二项除了常数 $\frac{1}{\sigma^2}$ 外，其余部分和前面介绍的均方误差是一样的。幸运的是，上面式子的解并不依赖于 $\sigma$ 。因此，在高斯噪声的假设下，最小化均方误差等价于对线性模型的极大似然估计。