作业内容:
-
练习 1
如图所示函数模型,数据集:x_list[ ] = [1,2,3],y_list[ ] = [2,4,6]
(1)画出计算图;
(2)利用PyTorch实现代码。
答:(1):
(2):代码如下
import torch
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
# torch.Tensor()生成新的张量
w1 = torch.Tensor([1.0])
w1.requires_grad = True
w2 = torch.Tensor([1.0])
w2.requires_grad = True
b = torch.Tensor([1.0])
# 是否需要计算梯度?——True
b.requires_grad = True
def forward(x):
return w1 * x ** 2 + w2 * x + b
def loss(x, y):
y_pred = forward(x)
return (y_pred - y) ** 2
# .item()的作用主要是把数据从tensor取出来,变成python的数据类型
print("训练前的预测是", 4, forward(4).item())
for epoch in range(100):
for x, y in zip(x_data, y_data):
l = loss(x, y)
# 利用PyTorch的反向传播函数求梯度
l.backward()
print('\tgrad:', x, y, w1.grad.item(), w2.grad.item(), b.grad.item())
# 这里是数值计算,w一定要取data值,tensor做加法运算会构建运算图,消耗内存
w1.data = w1.data - 0.01 * w1.grad.data
w1.grad.data.zero_()
w2.data=w2.data-0.01*w2.grad.data
w2.grad.data.zero_()
b.data=b.data-0.01*b.grad.data
# 每次反向传播的数据要清零
b.grad.data.zero_()
print("progress:", epoch, l.item())
print("训练之后的预测值是", 4, forward(4).item())
运行结果如下:
-
练习2
画出如下模型的计算图: