流程:1.先准备数据集 2.构建y-hat 3.设置loss,和优化器 4.训练模型(前馈。反馈,更新)
上述为基础神经网络的模板
——__init__是定义属性
forward 是进行方法
*args 没有明确数量的参数
**kwargs 没有明确数量的字典
item是把模型的中的向量或者矩阵转换为值,剔出来。
神经网络训练
流程:
准备数据集
建立模型
设立损失函数及更新权重的优化器
建立训练模型
import torch
import matplotlib.pyplot as plt
##准备数据集
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[2.0], [4.0], [6.0]])
##建立模型
class LinearModel(torch.nn.Module):
def __init__(self):
super(LinearModel, self).__init__()
self.linear = torch.nn.Linear(1,1) ##设定权重w和b
def forward(self, x):
y_pred = self.linear(x)
return y_pred
model = LinearModel()
##设立损失函数和优化器
criterion = torch.nn.MSELoss(size_average=False) ##Ture则是进行LOSS的平均化
# optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
optimizer = torch.optim.ASGD(model.parameters(), lr=0.01)
##进行训练
x = []
y = []
for epoch in range(1000):
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
print(epoch, loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()
x.append(epoch)
y.append(loss.item())
print("w=", model.linear.weight.item())
print("b=", model.linear.bias.item())
plt.plot(x,y)
plt.xlabel("epoch")
plt.ylabel("Loss")
plt.show()