Pytorch深度学习实践2-线性模型

本笔记来源于b站刘二大人：《PyTorch深度学习实践》2.线性模型

一、代码

import numpy as np
import matplotlib.pyplot as plt
 
x_data = [1.0, 2.0, 3.0]#定义数据
y_data = [2.0, 4.0, 6.0]#定义标签
 
 
def forward(x):  #定义简单的模型
    return x*w
 
 
def loss(x, y):  #定义损失函数
    y_pred = forward(x)
    return (y_pred - y)**2
 
w_list = []  #保存权重
mse_list = []  #保存损失值
for w in np.arange(0.0, 4.1, 0.1):  #从0到4间隔0.1采样
    print("w=", w)
    l_sum = 0
    for x_val, y_val in zip(x_data, y_data):  
    #每次分别取x_data, y_data中数据来拼成x_val, y_val
        y_pred_val = forward(x_val)  #计算y预测
        loss_val = loss(x_val, y_val)  #计算损失
        l_sum += loss_val  #损失累加
        print('\t', x_val, y_val, y_pred_val, loss_val)
    print('MSE=', l_sum/3) 
    w_list.append(w)
    mse_list.append(l_sum/3)
    
plt.plot(w_list,mse_list)
plt.ylabel('Loss')
plt.xlabel('w')
plt.show() 

二、深度学习一般步骤

1、Dataset：导入你的数据集，这里又分为训练集和预测集

2、Model：定义你的训练模型，比如：线性，Lstm等

3、Training：训练

4、inferring：预测

三、线性模型

 简单来说：就是现在拥有一串数据x，要预测出对应结果y。那么如何预测？根据选择的模型——线性模型：y=x*w，设置一个权重w。那么我们每传输一个x，乘上这次循环中设置的权重值就可以算出一个y_pre，用y_pre-y的平方就可以算出这次循环的损失值。损失值越小，权重越接近正确值，y预测也就越接近我们要的值。

其中w的值是for循环输入的，从0.0到4.0，每次循环0.1

附加：ZIP用法