目录
用pytorch实现线性回归
回顾线性模型
Linear Model
=x*w
Loss Function
loss==
forward&backward
pytorch中前馈和反馈
1、实现流程:
1、准备数据集
2、设计使用类的模型
继承nn.Module
3、构造loss、optimizer
使用pytorchAPI
4、循环训练
forward,backward,updata
2、用pytorch实现线性回归模板
# 继承nn.Module(神经网络模块的基类)不用人工设计backward
class LinearModel(torch.nn.Module):
# 构造函数
def __init__(self):
super(LinearModel, self).__init__()
# torch.nn.Linear是pytorch里面的一个类,类后面加()表示构造一个对象
# torch.nn.Linear构造的对象包含 w b
# 参数(in_features,out_features,bias=True默认)
self.linear=torch.nn.Linear(1,1)
# 必须这个名字,前馈执行计算函数 # 必须这个名字,前馈执行计算函数
def forward(self,x):
# 可调用的对象
y_pred=self.linear(x)
return y_pred
model=LinearModel()
# 构造损失函数求均值size_average=True
criterion=torch.nn.MSELoss(size_average=False)
# 构造优化器
optimizer=torch.optim.SGD(model.parameters(),lr=0.01)
for epoch in range(100):
y_pred=model(x_data)
loss=criterion(y_pred,y_data)
print(epoch,loss)
# 清零梯度
optimizer.zero_grad()
loss.backward()
# 更新优化器
optimizer.step()
# model.linear.weight.item()是一个数
print('w=',model.linear.weight.item())
print('b=',model.linear.bias.item())
x_test=Tensor([[4.0]])
y_test=model(x_test)
# y_test.data是一个张量
print('y_pred=',y_test.data)
model.linear.weight.item()是一个数y_test.data是一个张量 这里不明白的看上一章节
3、练习
import torch
x_data=torch.Tensor([[1.0],[2.0],[3.0]])
y_data=torch.Tensor([[2.0],[4.0],[6.0]])
# 继承nn.Module(神经网络模块的基类)不用人工设计backward
class LinearModel(torch.nn.Module):
# 构造函数
def __init__(self):
super(LinearModel, self).__init__()
# torch.nn.Linear是pytorch里面的一个类,类后面加()表示构造一个对象
# torch.nn.Linear构造的对象包含 w b
# 参数(in_features,out_features,bias=True默认)
self.linear=torch.nn.Linear(1,1)
# 必须这个名字,前馈执行计算函数 # 必须这个名字,前馈执行计算函数
def forward(self,x):
# 可调用的对象
y_pred=self.linear(x)
return y_pred
model=LinearModel()
# 构造损失函数求均值size_average=True
criterion=torch.nn.MSELoss(size_average=False)
# 构造优化器
optimizer=torch.optim.SGD(model.parameters(),lr=0.01)
for epoch in range(100):
y_pred=model(x_data)
loss=criterion(y_pred,y_data)
print(epoch,loss)
# 清零梯度
optimizer.zero_grad()
loss.backward()
# 更新优化器
optimizer.step()
# model.linear.weight.item()是一个数
print('w=',model.linear.weight.item())
print('b=',model.linear.bias.item())
x_test=Tensor([[4.0]])
y_test=model(x_test)
# model.linear.weight.item()是一个数y_test.data是一个张量
print('y_pred=',y_test.data)
结果:
结论:loss越来越小 最后一次训练的结果得到w b