import torch
import matplotlib.pyplot as plt
N, D_in, H, D_out = 64, 1000, 100, 10 # 64个训练数据(只是一个batch),输入是1000维,hidden是100维,输出是10维
'''随机创建一些训练数据'''
X = torch.randn(N, D_in)
y = torch.randn(N, D_out)
W1 = torch.randn(D_in, H, requires_grad=True) # 1000维转成100维
W2 = torch.randn(H, D_out, requires_grad=True) # 100维转成10维
learning_rate = 1e-6
all_loss = []
for t in range(500): # 做500次迭代
'''前向传播(forward pass)'''
y_hat = X.mm(W1).clamp(min=0).mm(W2) # N * D_out
'''计算损失函数(compute loss)'''
loss = (y_hat - y).pow(2).sum() # 均方误差,忽略了÷N,loss就是一个计算图(computation graph)
print("Epoch:{} Loss:{}".format(t, loss.item())) # 打印每个迭代的损失
all_loss.append(loss.item())
'''后向传播(backward pass)'''
loss.backward()
'''参数更新(update weights of W1 and W2)'''
with torch.no_grad():
W1 -= learning_rate * W1.grad
W2 -= learning_rate * W2.grad
W1.grad.zero_()
W2.grad.zero_()
plt.plot(all_loss)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.show()
torch.randn()
torch.randn
是PyTorch库中的一个函数,用于生成具有标准正态分布(均值为0,标准差为1)的随机数。
tensor = torch.randn(size)
其中size
是一个表示张量形状的整数元组。
参数
size
(int...): 用来定义输出张量形状的整数序列。out
(Tensor, 可选): 输出张量。dtype
(torch.dtype, 可选): 输出张量的所需数据类型。layout
(torch.layout, 可选): 输出张量的所需布局。默认为torch.strided
。device
(torch.device, 可选): 输出张量的所需设备。默认为当前设备。requires_grad
(bool, 可选): 如果设置为True,则张量将记录其操作的计算历史,以便稍后计算梯度。默认为False。
clamp
clamp
是PyTorch中的一个函数,用于将张量的每个元素限制在给定范围内。其基本用法如下:
output_tensor = input_tensor.clamp(min=value_min, max=value_max)
input_tensor
是你想要限制范围的张量。value_min
和value_max
是你想要限制的最小和最大值。
所有小于value_min
的元素将被设置为value_min
,所有大于value_max
的元素将被设置为value_max
。位于这两个值之间的元素将保持不变。
loss.item()
在PyTorch中,loss.item()
是用于从只有一个元素的张量中获取其Python数值的方法。
当你计算损失(或任何其他单一数值的度量)时,结果通常是一个形状为[]
的标量张量。尽管这是一个标量,但它仍然被封装在一个张量对象中。使用.item()
方法可以从这个标量张量中提取出一个Python标量。
with torch.no_grad()
在pytorch进行张量计算时,会创建一个计算图。这个计算图用于跟踪所有计算操作,从而可以自动计算出梯度。
with torch.no_grad():
是一个上下文管理器,在其范围内,PyTorch将不会跟踪计算图中的梯度计算。这有助于减少内存使用并提高计算速度。
在训练神经网络时,计算梯度是优化权重所必需的。但是,在某些情况下,你可能不想计算梯度。例如,在评估模型(模型推理)时,或者在手动更新权重时。
-
模型评估: 当你只想通过网络进行前向传播以获得预测(例如,在验证集或测试集上评估模型)时,可以使用
torch.no_grad()
来禁用梯度计算。 -
手动更新权重: 在训练过程中,当你想直接更新模型权重(不通过优化器)时,也可以使用此上下文管理器。
W1.grad.zero_()
在PyTorch中,每次调用.backward()
方法计算梯度时,梯度会累积在.grad
属性中,而不是被覆盖。这对于某些类型的模型和优化算法是必要的,因为它允许跨多个前向/后向传播步骤共享梯度信息。
然而,在标准训练循环中,你通常希望每个批次(batch)的梯度是独立计算的,不受先前批次梯度的影响。为了实现这一点,在每次权重更新后,你需要手动将梯度重置为零。
W1.grad.zero_()
调用就是做这个的。这里的下划线_
表示这个操作是就地(in-place)执行的,也就是说它直接修改W1.grad
的内容,而不返回新的张量。
如果不清零梯度,那么下一次调用.backward()
方法时,新计算的梯度将会添加到现有的梯度上,而不是替换它们。这可能会导致不正确的权重更新,因此在标准训练循环中,重置梯度是一项常见且重要的步骤。