- 자료출처 : PyTorch로 시작하는 딥 러닝 입문
1.이론 정리
가설
- 선형회귀 가설은 직선방정식으로 보통 y=Wx+b 의 형태를 지닌다
- W는 가중치, b는 편향이라고 한다.
비용함수
- 비용함수 = 손실함수 = 오차함수 = 목적함수
- 비용, 손실, 오차 : 선형회귀 가설(직선)과 실제 데이터(점)의 차이
- 어떤 가설(직선)이 가장 적절한 직선인지 표현하기 위해 오차 표시
- 단순히'오차 = 실제값 - 예측값'으로 정의하면 오차값이 음수가 나옴
- 따라서 평균 제곱 오차를 활용 (오차의 제곱을 더하고, 데이터의 수로 나눔)
- 평균 제곱 오차를 W와 b에 의한 비용 함수를 정의하면 아래와 같음
옵티마이저 - 경사하강법(Gradient Descent)
- 위에 정의한 비용 함수를 최소로 하는 W와 b를 찾을 때 사용되는 것이 옵티마이저(Optimizer) 알고리즘
- 가장 기본적인 옵티마이저 알고리즘은 '경사하강법'이다.
- 비용 함수에서 W의 값이 크거나 작으면 cost가 무한대로 늘어난다.
- cost와 W의 관계를 그래프로 그렸을 때 접선의 기울기가 최소인 점이 최적의 W, b 임을 알 수 있다.
2. 파이토치로 선형회귀 구현
# 기본세팅
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim# 랜덤 시드(random seed) 할당 (재실행해도 같은 결과가 나올 수 있도록)
torch.manual_seed(1)<torch._C.Generator at 0x21cb51c5d30># 학습 데이터 선언
x_train = torch.FloatTensor([[1], [2], [3]])
y_train = torch.FloatTensor([[2], [4], [6]])print(x_train)
print(x_train.shape)tensor([[1.],
[2.],
[3.]])
torch.Size([3, 1])# 가중치(W)를 0으로 초기화, 학습으로 값이 변경되는 변수임을 명시
W = torch.zeros(1, requires_grad=True)
print(W) # 가중치 W를 출력tensor([0.], requires_grad=True)b = torch.zeros(1, requires_grad=True)
print(b)tensor([0.], requires_grad=True)# 가설세우기
hypothesis = x_train * W + b
print(hypothesis)tensor([[0.],
[0.],
[0.]], grad_fn=<AddBackward0>)비용함수 선언하기
# torch.mean으로 평균을 구한다.
cost = torch.mean((hypothesis - y_train) ** 2)
print(cost)tensor(18.6667, grad_fn=<MeanBackward0>)경사하강법 구현하기
optimizer = optim.SGD([W, b], lr=0.01)# gradient를 0으로 초기화
optimizer.zero_grad()
# 비용 함수를 미분하여 gradient 계산
cost.backward()
# W와 b를 업데이트
optimizer.step() 3. 전체코드
# 데이터
x_train = torch.FloatTensor([[1], [2], [3]])
y_train = torch.FloatTensor([[2], [4], [6]])
# 모델 초기화
W = torch.zeros(1, requires_grad=True)
b = torch.zeros(1, requires_grad=True)
# optimizer 설정
optimizer = optim.SGD([W, b], lr=0.01)
nb_epochs = 2000 # 원하는만큼 경사 하강법을 반복
for epoch in range(nb_epochs + 1):
# H(x) 계산
hypothesis = x_train * W + b
# cost 계산
cost = torch.mean((hypothesis - y_train) ** 2)
# cost로 H(x) 개선
optimizer.zero_grad()
cost.backward()
optimizer.step()
# 500번마다 로그 출력
if epoch % 500 == 0:
print('Epoch {:4d}/{} W: {:.3f}, b: {:.3f} Cost: {:.6f}'.format(
epoch, nb_epochs, W.item(), b.item(), cost.item()
))Epoch 0/2000 W: 0.187, b: 0.080 Cost: 18.666666
Epoch 500/2000 W: 1.903, b: 0.221 Cost: 0.007024
Epoch 1000/2000 W: 1.971, b: 0.066 Cost: 0.000633
Epoch 1500/2000 W: 1.991, b: 0.020 Cost: 0.000057
Epoch 2000/2000 W: 1.997, b: 0.006 Cost: 0.000005최종 훈련 결과는 W: 1.997, b : 0.006 이므로, 정답인 W는 2, b가 0과 거의 유사
4. 기타
optimizer.zero_grad()가 필요한 이유
import torch
w = torch.tensor(2.0, requires_grad=True)
nb_epochs = 20
for epoch in range(nb_epochs + 1):
z = 2*w
z.backward()
print('수식을 w로 미분한 값 : {}'.format(w.grad))수식을 w로 미분한 값 : 2.0
수식을 w로 미분한 값 : 4.0
수식을 w로 미분한 값 : 6.0
수식을 w로 미분한 값 : 8.0
수식을 w로 미분한 값 : 10.0
수식을 w로 미분한 값 : 12.0
수식을 w로 미분한 값 : 14.0
수식을 w로 미분한 값 : 16.0
수식을 w로 미분한 값 : 18.0
수식을 w로 미분한 값 : 20.0
수식을 w로 미분한 값 : 22.0
수식을 w로 미분한 값 : 24.0
수식을 w로 미분한 값 : 26.0
수식을 w로 미분한 값 : 28.0
수식을 w로 미분한 값 : 30.0
수식을 w로 미분한 값 : 32.0
수식을 w로 미분한 값 : 34.0
수식을 w로 미분한 값 : 36.0
수식을 w로 미분한 값 : 38.0
수식을 w로 미분한 값 : 40.0
수식을 w로 미분한 값 : 42.0- 미분값을 0으로 초기화하지 않으면 계속해서 미분값인 2가 누적된다.
torch.manual_seed()를 하는 이유
import torch
torch.manual_seed(3)
print('랜덤 시드가 3일 때')
for i in range(1,3):
print(torch.rand(1))랜덤 시드가 3일 때
tensor([0.0043])
tensor([0.1056])torch.manual_seed(5)
print('랜덤 시드가 5일 때')
for i in range(1,3):
print(torch.rand(1))랜덤 시드가 5일 때
tensor([0.8303])
tensor([0.1261])torch.manual_seed(3)
print('랜덤 시드가 다시 3일 때')
for i in range(1,3):
print(torch.rand(1))랜덤 시드가 다시 3일 때
tensor([0.0043])
tensor([0.1056])- 위에서 보는 것과 같이 랜덤시드를 정해주지 않으면 결과값이 매번 달라지게 된다.
Data & PM