Pytorch_study_Task_2:设立计算图并自动计算 .

1.numpy和pytorch实现梯度下降法

包含：
设定初始值
求取梯度
在梯度方向上进行参数的更新

通过函数y=x²实现梯度下降

用numpy实现梯度下降法

x =1    #设定初始值
learning_rate =0.1   #学习率
epoches =100
y =lambda x:x**2   #简单曲线
for epoch in range(epoches):
    dx =2*x   #求取梯度
    x = x-learning_rate*dx;	  #在梯度方向上进行参数的更新
print(x)

输出 x 接近于0：

2.0370359763344877e-10

用pytorch实现梯度下降法

import torch
x = torch.randn(1,1,requires_grad =True)   #设定初始值
print('grad',x.grad,'data',x.data)   #打印获得的随机初始值

learning_rate =0.1
epoches =100
for epoch in range(epoches):
     y = x**2
     y.backward()
     print("grad",x.grad.data)   #求取梯度
     x.data = x.data - learning_rate*x.grad.data   #在梯度方向上进行参数的更新
     x.grad.data.zero_()
print(x.data)

x获得的随机初始值为;

grad None data tensor([[0.8927]])

输出 x 接近由于0：

tensor([[1.8184e-10]])

2.pytorch实现线性回归

包含：
pytorch实现一个简单的神经网络

用函数y = a * x^2 + b建立数据集，并给数据 y 加上一点噪声：

import torch

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size())                 # noisy y data (tensor), shape=(100, 1)

建立神经网络：

import torch
import torch.nn.functional as F     # 激励函数都在这

class Net(torch.nn.Module):  # 继承 torch 的 Module
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()     # 继承 __init__ 功能
        # 定义每层用什么样的形式
        self.hidden = torch.nn.Linear(n_feature, n_hidden)   # 隐藏层线性输出
        self.predict = torch.nn.Linear(n_hidden, n_output)   # 输出层线性输出

    def forward(self, x):   # 这同时也是 Module 中的 forward 功能
        # 正向传播输入值, 神经网络分析出输出值
        x = F.relu(self.hidden(x))      # 激励函数(隐藏层的线性值)
        x = self.predict(x)             # 输出值
        return x

net = Net(n_feature=1, n_hidden=10, n_output=1)

print(net)  # net 的结构

net 的结构为：

Net (
  (hidden): Linear (1 -> 10)
  (predict): Linear (10 -> 1)
)

训练网络：

# optimizer 是训练的工具
optimizer = torch.optim.SGD(net.parameters(), lr=0.2)  # 传入 net 的所有参数, 学习率
loss_func = torch.nn.MSELoss()      # 预测值和真实值的误差计算公式 (均方差)

for t in range(100):
    prediction = net(x)     # 喂给 net 训练数据 x, 输出预测值

    loss = loss_func(prediction, y)     # 计算两者的误差

    optimizer.zero_grad()   # 清空上一步的残余更新参数值
    loss.backward()         # 误差反向传播, 计算参数更新值
    optimizer.step()        # 将参数更新值施加到 net 的 parameters 上

注：“pytorch实现线性回归”中代码参考莫烦PYTHON：https://github.com/MorvanZhou/PyTorch-Tutorial/blob/master/tutorial-contents/302_classification.py