《PyTorch深度学习实践》5.用pytorch实现线性回归

大佬养成中

已于 2023-04-17 20:11:03 修改

阅读量51

点赞数

分类专栏： pytorch刘二大人文章标签： python Powered by 金山文档

于 2023-03-17 15:45:03 首次发布

本文链接：https://blog.csdn.net/Caoyuanyang/article/details/129616514

版权

pytorch刘二大人专栏收录该内容

10 篇文章 0 订阅

订阅专栏

该文介绍了神经网络的基本训练过程，包括准备数据集，构建线性模型，设置均方误差损失函数和优化器（如ASGD），并进行前馈、反向传播和权重更新。通过PyTorch实现了一个简单的线性模型训练，展示Loss随着迭代次数（epoch）的变化，并最终得出模型的权重和偏置。

摘要由CSDN通过智能技术生成

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()