add linear regression experiment

linear_regression/README.md

+# 线性回归
+
+## 实验介绍
+
+线性回归（Linear Regression）是机器学习最经典的算法之一，具有如下特点：
+
+- 自变量服从正态分布；
+- 因变量是连续性数值变量；
+- 自变量和因变量程线性关系。
+
+本实验主要介绍使用MindSpore在模拟数据上进行线性回归实验，分析自变量和因变量之间的线性关系，即求得一个线性函数。
+
+## 实验目的
+
+- 了解线性回归的基本概念和问题模拟；
+- 了解如何使用MindSpore进行线性回归实验。
+
+## 预备知识
+
+- 熟练使用Python。
+- 具备一定的机器学习理论知识，如线性回归、损失函数、优化器，训练策略等。
+- 了解华为云的基本使用方法，包括[ModelArts（AI开发平台）](https://www.huaweicloud.com/product/modelarts.html)、[训练作业](https://support.huaweicloud.com/engineers-modelarts/modelarts_23_0046.html)等功能。华为云官网：https://www.huaweicloud.com
+- 了解并熟悉MindSpore AI计算框架，MindSpore官网：https://www.mindspore.cn/
+
+## 实验环境
+
+- MindSpore 0.2.0（MindSpore版本会定期更新，本指导也会定期刷新，与版本配套）；
+- 华为云ModelArts：ModelArts是华为云提供的面向开发者的一站式AI开发平台，集成了昇腾AI处理器资源池，用户可以在该平台下体验MindSpore。ModelArts官网：https://www.huaweicloud.com/product/modelarts.html
+
+## 实验准备
+
+### 创建OBS桶
+
+本实验需要使用华为云OBS存储脚本，可以参考[快速通过OBS控制台上传下载文件](https://support.huaweicloud.com/qs-obs/obs_qs_0001.html)了解使用OBS创建桶、上传文件、下载文件的使用方法。
+
+> **提示：** 华为云新用户使用OBS时通常需要创建和配置“访问密钥”，可以在使用OBS时根据提示完成创建和配置。也可以参考[获取访问密钥并完成ModelArts全局配置](https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0002.html)获取并配置访问密钥。
+
+创建OBS桶的参考配置如下：
+
+- 区域：华北-北京四
+- 数据冗余存储策略：单AZ存储
+- 桶名称：全局唯一的字符串
+- 存储类别：标准存储
+- 桶策略：公共读
+- 归档数据直读：关闭
+- 企业项目、标签等配置：免
+
+### 脚本准备
+
+从[课程gitee仓库](https://gitee.com/mindspore/course)上下载本实验相关脚本。
+
+### 上传文件
+
+将脚本上传到OBS桶中。
+
+## 实验步骤
+
+### 代码梳理
+
+导入MindSpore模块和辅助模块：
+
+```python
+import os
+# os.environ['DEVICE_ID'] = '0'
+import numpy as np
+
+import mindspore as ms
+from mindspore import nn
+from mindspore import context
+
+context.set_context(mode=context.GRAPH_MODE, device_target="Ascend")
+```
+
+根据以下线性函数生成模拟数据，并在其中加入少许扰动。
+
+$$y = -5 * x + 0.1$$
+
+```python
+x = np.arange(-5, 5, 0.3)[:32].reshape((32, 1))
+y = -5 * x +  0.1 * np.random.normal(loc=0.0, scale=20.0, size=x.shape)
+```
+
+使用MindSpore提供的[`nn.Dense(1, 1)`算子](https://www.mindspore.cn/api/zh-CN/0.2.0-alpha/api/python/mindspore/mindspore.nn.html#mindspore.nn.Dense)作为线性模型，其中`(1, 1)`表示线性模型的输入和输出皆是1维，即`w`是1x1的矩阵。算子会随机初始化权重`w`和偏置`b`。
+
+$$y = w * x + b$$
+
+采用均方差（Mean Squared Error, MSE）作为损失函数。
+
+采用随机梯度下降（Stochastic Gradient Descent, SGD）对模型进行优化。
+
+```python
+net = nn.Dense(1, 1)
+loss_fn = nn.loss.MSELoss()
+opt = nn.optim.SGD(net.trainable_params(), learning_rate=0.01)
+with_loss = nn.WithLossCell(net, loss_fn)
+train_step = nn.TrainOneStepCell(with_loss, opt).set_train()
+```
+
+使用模拟数据对模型进行几代（Epoch）训练：
+
+```python
+for epoch in range(20):
+    loss = train_step(ms.Tensor(x, ms.float32), ms.Tensor(y, ms.float32))
+    print('epoch: {0}, loss is {1}'.format(epoch, loss))
+```
+
+    epoch: 0, loss is 199.50531
+    epoch: 1, loss is 142.8598
+    epoch: 2, loss is 102.52245
+    epoch: 3, loss is 73.8164
+    epoch: 4, loss is 53.36943
+    epoch: 5, loss is 38.76838
+    epoch: 6, loss is 28.440298
+    epoch: 7, loss is 21.0473
+    epoch: 8, loss is 15.757072
+    epoch: 9, loss is 12.019189
+    epoch: 10, loss is 9.352854
+    epoch: 11, loss is 7.4382267
+    epoch: 12, loss is 6.0836077
+    epoch: 13, loss is 5.122441
+    epoch: 14, loss is 4.4334188
+    epoch: 15, loss is 3.929727
+    epoch: 16, loss is 3.5708385
+    epoch: 17, loss is 3.32268
+    epoch: 18, loss is 3.1429064
+    epoch: 19, loss is 3.0036016
+
+训练一定的代数后，得到的模型已经十分接近真实的线性函数了。
+
+```python
+wb = [x.default_input.asnumpy() for x in net.trainable_params()]
+w, b = np.squeeze(wb[0]), np.squeeze(wb[1])
+print('The true linear function is y = -5 * x + 0.1')
+print('The trained linear model is y = {0} * x + {1}'.format(w, b))
+
+for x in range(-10, 11, 5):
+    print('x = {0}, predicted y = {1}'.format(x, net(ms.Tensor([[x]], ms.float32))))
+```
+
+    The true linear function is y = -5 * x + 0.1
+    The trained linear model is y = -4.842680931091309 * x + 0.03442131727933884
+    x = -10, predicted y = [[49.714813]]
+    x = -5, predicted y = [[24.974724]]
+    x = 0, predicted y = [[0.23463698]]
+    x = 5, predicted y = [[-24.505451]]
+    x = 10, predicted y = [[-49.245537]]
+
+模拟的样本数据、真实的线性函数和训练得到的线性模型如下图所示：
+
+```python
+from matplotlib import pyplot as plt
+plt.scatter(x, y, label='Samples')
+plt.plot(x, w * x +  b, c='r', label='True function')
+plt.plot(x, -5 * x +  0.1, c='b', label='Trained model')
+plt.legend()
+```
+
+![linear function and samples](images/linear_function_and_samples.png)
+
+### 创建训练作业
+
+可以参考[使用常用框架训练模型](https://support.huaweicloud.com/engineers-modelarts/modelarts_23_0238.html)来创建并启动训练作业。
+
+创建训练作业的参考配置：
+
+- 算法来源：常用框架->Ascend-Powered-Engine->MindSpore
+- 代码目录：选择上述新建的OBS桶中的experiment目录
+- 启动文件：选择上述新建的OBS桶中的experiment目录下的`main.py`
+- 数据来源：数据存储位置->选择上述新建的OBS桶中的experiment目录，本实验没有使用OBS中的数据
+- 训练输出位置：选择上述新建的OBS桶中的experiment目录并在其中创建output目录
+- 作业日志路径：同训练输出位置
+- 规格：Ascend:1*Ascend 910
+- 其他均为默认
+
+启动并查看训练过程：
+
+1. 点击提交以开始训练；
+2. 在训练作业列表里可以看到刚创建的训练作业，在训练作业页面可以看到版本管理；
+3. 点击运行中的训练作业，在展开的窗口中可以查看作业配置信息，以及训练过程中的日志，日志会不断刷新，等训练作业完成后也可以下载日志到本地进行查看；
+4. 参考上述代码梳理，在日志中找到对应的打印信息，检查实验是否成功。
+
+## 实验结论
+
+本实验使用MindSpore实现了线性回归，在模拟样本上进行几代的训练后，所得的模型可以很好的表示模拟样本中y和x的线性关系。

linear_regression/main.py

+# Linear Regression
+
+import os
+# os.environ['DEVICE_ID'] = '0'
+import numpy as np
+
+import mindspore as ms
+from mindspore import nn
+from mindspore import context
+
+context.set_context(mode=context.GRAPH_MODE, device_target="Ascend")
+
+x = np.arange(-5, 5, 0.3)[:32].reshape((32, 1))
+y = -5 * x +  0.1 * np.random.normal(loc=0.0, scale=20.0, size=x.shape)
+
+net = nn.Dense(1, 1)
+loss_fn = nn.loss.MSELoss()
+opt = nn.optim.SGD(net.trainable_params(), learning_rate=0.01)
+with_loss = nn.WithLossCell(net, loss_fn)
+train_step = nn.TrainOneStepCell(with_loss, opt).set_train()
+
+for epoch in range(20):
+    loss = train_step(ms.Tensor(x, ms.float32), ms.Tensor(y, ms.float32))
+    print('epoch: {0}, loss is {1}'.format(epoch, loss))
+
+wb = [x.default_input.asnumpy() for x in net.trainable_params()]
+w, b = np.squeeze(wb[0]), np.squeeze(wb[1])
+print('The true linear function is y = -5 * x + 0.1')
+# TODO(dongyonghan): uncomment it in MindSpore0.3.0 or later.
+# print('The trained linear model is y = {0} * x + {1}'.format(w, b))
+
+for x in range(-10, 11, 5):
+    print('x = {0}, predicted y = {1}'.format(x, net(ms.Tensor([[x]], ms.float32))))