機械学習ライブラリのpytorchを用いて簡単な線形回帰を実装してみます。
Pytorchとは？
Facebookの人工知能研究グループにより初期開発された 、Python向けのオープンソース機械学習ライブラリです。読み方はパイトーチです。
Deep Learningライブラリの中でも近年人気が出てきています。非常に簡単に記述できるのでおすすめです。
Google Colaboratoryとは？
Googleが提供している、無料で使用できるpython実行環境です。
GPUも使用でき機械学習に必要なライブラリもあらかじめインストールされています。ローカルで機械学習の環境を構築するのは大変なので、今回はGoogle Colaboratoryを使用していこうと思います。
使い方は下記参照。1分程で使えるようになります。
線形回帰を実装してみる
必要なライブラリをインストールします。
import torch
from torch import nn
import matplotlib.pyplot as plt
import numpy as npランダムな分布モデルを作成してプロットしてみましょう。
この図に対して線形回帰します。
x = torch.randn(100, 1) * 10
y = x + torch.randn(100, 1) * 3
plt.plot(x.numpy(), y.numpy(), "o")
plt.ylabel("y")
plt.xlabel("x")実行してみたら下記の図が出力されたと思います。
線形回帰のモデルを定義します。
class LR(nn.Module):
def __init__(self, input_size, output_size):
super().__init__()
self.linear = nn.Linear(input_size, output_size)
def forward(self, x):
pred = self.linear(x)
return pred乱数のseedを固定します。線形回帰のモデルのインスタンスを作成します。
torch.manual_seed(1)
model = LR(1, 1)モデルのパラメーターを取り出す関数を定義。
[w, b] = model.parameters()
def get_params():
return (w[0][0].item(), b[0].item())プロットする関数を定義。
def plot_fit(title):
plt_title = title
w1, b1 = get_params()
x1 = np.array([-30, 30])
y1 = w1*x1 + b1
plt.plot(x1, y1, "r")
plt.scatter(x, y)
plt.show()学習前の図をプロットしてみましょう。
plot_fit("initial Model")
損失関数は二乗平均誤差、学習方法は確率的勾配降下法に定義します。learning rateは0.01にしてます。
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr = 0.01)学習してみましょう。エポックは100にしてます。lossを記録しておきます。
epochs = 100
losses = []
for i in range(epochs):
y_pred = model.forward(x)
loss = criterion(y_pred, y)
print("epoch:", i, "loss:", loss.item())
losses.append(loss)
optimizer.zero_grad()
loss.backward()
optimizer.step()学習経過を見てみましょう。
plt.plot(range(epochs), losses)
plt.ylabel("Loss")
plt.xlabel("epoch")
学習できているのがわかると思います。
学習後の図をプロットしてみましょう。
plot_fit("Trained Model")
ちゃんと学習できているのがわかると思います。
以上です。お疲れ様でした！
簡単にpytorchを使用して線形回帰を学習してみました。Pytorchと Google Colaboratory を使えばかなり簡単に機械学習を体験できるので、ぜひみなさんも試してみてください。