从最简单的线性模型来体验pytorch的整个流程
1、DataSet,
2、Model,根据数据集选择适合的模型,如:神经网络,决策树等等
3、Training,
4、inferring,用于推理工作
举个例子:下面是数据集
import numpy as np
import matplotlib.pyplot as plt
# prepare the train set
x_data = [1.0,2.0,3.0]
y_data = [2.0,4.0,6.0]
# define the model,这里把咱们模型定义为前馈,linear model: y_hat=x*w
def forward(x):
return x * w
# define the loss function
def loss(x,y):
y_pred = forward(x)
return (y_pred-y) **2
#因为我们会取好多个权重值,所以我们定义两个空列表来保存权重值和其对应的损失值
w_list = []
mse_list = []
#采样权重进行训练
for w in np.arange(0.0,4.1,0.1):
print('w=',w)
l_sum = 0
for x_val, y_val in zip(x_data,y_data):
y_pred = forward(x_val)
loss_val = loss(x_val,y_val)
l_sum += loss_val
print('\t',x_val,y_val,y_pred,loss_val)
print('MSE=',l_sum / 3)
w_list.append(w)
mse_list.append(l_sum/3)
# 画出权重和loss的关系图
plt.plot(w_list,mse_list)
plt.ylabel('loss')
plt.xlabel('w')
plt.show()
可以从生成的关系图中看出当w=2时,损失最小。
在深度学习中,基于某些超参数,我们也会画这种损失图,但横坐标就要改成训练的次数epoc,来判断训练进入收敛
深度学习中的两个问题:
①可视化问题:
模型在训练过程中,实时地画一些图:visdom(facebook开源的一个可视化工具包,可以用visdom这个库创建一个web服务,比如想知道自己模型训练怎么样了,可以远程访问一下服务器上visdom提供的web服务,具体可访问其官网介绍)
②断点重开问题:在深度学习训练过程可能中途就down了,这个时候就要定期存盘
这里留一个作业,用y_hat = x*w + b的线性模型来画损失图。(提示:两个参数,应该是曲面图)