pytorch深度学习基础 6（简单的参数估计学习3）

上一篇博客说了如何拟合一条直线y=wx+b，今天我们现在使用PyTorch进行相同的曲线拟合
拟合y= x*x -2x +3 + 0.1(-1到1的随机值) 曲线
给定x范围（0，3）

生成数据

import numpy as np
import matplotlib.pyplot as plt
import torch as t
from torch.autograd import Variable as var

def get_data(x,w,b,d):  # w * x * x + b * x + d
    c,r = x.shape
    y = (w * x * x + b*x + d)+ (0.1*(2*np.random.rand(c,r)-1)) # 加入随机噪点
    return(y)

xs = np.arange(0,3,0.01).reshape(-1,1) # 创建的二维 NumPy 数组。这个数组包含了从 0 到 3（不包括3）的等差数列，步长为 0.01
ys = get_data(xs,1,-2,3)

xs = var(t.Tensor(xs))
ys = var(t.Tensor(ys))
plt.plot(xs,  ys)
plt.show()

生成数据后我们来看一下分布情况吧

这就按照等差数列，步长0.01生成的点集图了，接下来

搭建网络

class Fit_model(t.nn.Module):
    def __init__(self):
        super(Fit_model,self).__init__()  # 调用父类torch.nn.Module的初始化方法，这是创建PyTorch模型时的标准做法
        self.linear1 = t.nn.Linear(1,16) # 定义第一个线性层（也称为全连接层），它将输入数据的特征数量从1个扩展到16个
        self.relu = t.nn.ReLU() # 定义一个ReLU激活函数，用于增加模型的非线性
        self.linear2 = t.nn.Linear(16,1)

        self.criterion = t.nn.MSELoss() # 定义损失函数为均方误差损失（MSE），这是回归任务中常用的损失函数
        self.opt = t.optim.SGD(self.parameters(),lr=0.01) # 定义优化器为随机梯度下降（SGD），并设置学习率为0.01。
                                                          # self.parameters()会返回模型中所有可训练的参数
    def forward(self, input):
        y = self.linear1(input)
        y = self.relu(y)
        y = self.linear2(y)
        return y


model = Fit_model()
for e in range(20000):
    y_pre = model(xs)

    loss = model.criterion(y_pre, ys)
    if (e % 100 == 0):
        print(e, loss.data)

    # Zero gradients
    model.opt.zero_grad()
    # perform backward pass
    loss.backward()
    # update weights
    model.opt.step()
# 显示预测的结果
ys_pre = model(xs)

plt.title("curve")
plt.plot(xs.data.numpy(),ys.data.numpy())
# plt.plot(xs.data.numpy(),ys_pre.data.numpy())
plt.plot(xs.data.numpy(), ys_pre.data.numpy(), color='blue', label="ys_pre")
plt.legend("ys","ys_pre")

plt.show()

 这里的话小编训练了2w轮实际上从训练以后的loss反馈来看训练1w左右效果就很好了

上面的方法是固定轮数训练如果想要Loss达到某个标准，可以把训练部分改为如下代码即可

epoch = 1
# 使用while循环进行训练
while epoch:
    # 假设 model 的 forward 方法返回预测值
    y_pre = model(xs)

    # 计算损失
    loss = model.criterion(y_pre, ys)

    # 如果损失小于50，则跳出循环
    if loss.item() < 1:
        print(f"Epoch {epoch}: Loss is less than 50, stopping training.")
        break

        # 每100个epoch打印一次损失
    if (epoch % 100 == 0):
        print(f"Epoch {epoch}, Loss: {loss.item()}")

    # Zero gradients
    model.opt.zero_grad()
    # perform backward pass
    loss.backward()
    # update weights
    model.opt.step()
    epoch +=1