Pytorch实战学习(一):用Pytorch实现线性回归
2024-09-18 20:27:26
《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili
P5--用Pytorch实现线性回归
建立模型四大步骤
一、Prepare dataset
mini-batch:x、y必须是矩阵
## Prepare Dataset:mini-batch, X、Y是3X1的Tensor
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[2.0], [4.0], [6.0]])
二、Design model
1、重点是构造计算图
##Design Model ##构造类,继承torch.nn.Module类
class LinearModel(torch.nn.Module):
## 构造函数,初始化对象
def __init__(self):
##super调用父类
super(LinearModel, self).__init__()
##构造对象,Linear Unite,包含两个Tensor:weight和bias,参数(1, 1)是w的维度
self.linear = torch.nn.Linear(1, 1) ## 构造函数,前馈运算
def forward(self, x):
## w*x+b
y_pred = self.linear(x)
return y_pred model = LinearModel()
2、设置w的维度,后一层的神经元数量 X 前一层神经元数量
三、Construct Loss and Optimizer
##Construct Loss and Optimizer ##损失函数,传入y和y_presd
criterion = torch.nn.MSELoss(size_average = False) ##优化器,model.parameters()找出模型所有的参数,Lr--学习率
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
1、损失函数
2、优化器
可用不同的优化器进行测试对比
四、Training cycle
## Training cycle for epoch in range(100):
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
print(epoch, loss) ##梯度归零
optimizer.zero_grad()
##反向传播
loss.backward()
##更新
optimizer.step()
完整代码
import torch ## Prepare Dataset:mini-batch, X、Y是3X1的Tensor
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[2.0], [4.0], [6.0]]) ##Design Model ##构造类,继承torch.nn.Module类
class LinearModel(torch.nn.Module):
## 构造函数,初始化对象
def __init__(self):
##super调用父类
super(LinearModel, self).__init__()
##构造对象,Linear Unite,包含两个Tensor:weight和bias,参数(1, 1)是w的维度
self.linear = torch.nn.Linear(1, 1) ## 构造函数,前馈运算
def forward(self, x):
## w*x+b
y_pred = self.linear(x)
return y_pred model = LinearModel() ##Construct Loss and Optimizer ##损失函数,传入y和y_presd
criterion = torch.nn.MSELoss(size_average = False) ##优化器,model.parameters()找出模型所有的参数,Lr--学习率
optimizer = torch.optim.SGD(model.parameters(), lr=0.01) ## Training cycle for epoch in range(100):
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
print(epoch, loss) ##梯度归零
optimizer.zero_grad()
##反向传播
loss.backward()
##更新
optimizer.step() ## Outpue weigh and bias
print('w = ', model.linear.weight.item())
print('b = ', model.linear.bias.item()) ## Test Model
x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print('y_pred = ', y_test.data)
运行结果
训练100次后,得到的 weight and bias,还有预测的y
最新文章
- QT读取文本(字符串)最后一行的方法
- SpringMVC的controller方法上若需要参数 如User
- gdb调试core文件
- 【Selenium2+Python】常用操作
- PHP中ob系列函数整理
- SSH整合配置二级缓存
- Hbase0.98的环境搭建
- node.js第十课(HTTPserver)
- [CSS3] 学习笔记-选择器详解(三)
- Spring Data(二)查询
- php 使用Glob() 查找文件技巧
- arcgis 10 File GDB转成9.3 File GDB
- JAVA记录-redis缓存机制介绍(四)
- webpack打包配置模板
- springMvc里的mvc:resources与静态资源的访问
- BZOJ1299 [LLH邀请赛]巧克力棒
- 奇偶数判断1(if,else if语句)
- nodejs面试题
- jsonp跨域传过来的数据格式
- 微信小程序全局/页面配置