week1（2021.9.17-2021.9.24）

最新推荐文章于 2024-07-19 15:44:38 发布

浅蓝的爽肤水

最新推荐文章于 2024-07-19 15:44:38 发布

阅读量238

点赞数

文章标签：神经网络深度学习 pytorch

本文链接：https://blog.csdn.net/Sohu564/article/details/120455837

版权

Step1 安装软件 python,pycharm,Ananconda3,jupyter notebook等

这步骤非常的繁琐其中Ananconda3,jupyter notebook我是跟着以下视频进行学习的，不具体展开讲，很麻烦PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】_哔哩哔哩_bilibili

Step2 作为一名0基础小白，我跟着导师给的以下链接进行学习(本周看到了P16并且跳过了P17)

Pytorch 入门到精通全教程卷积神经网络循环神经网络_哔哩哔哩_bilibili

总结笔记（拿来老师的总结，清晰度不知道为什么）：

里面的语法挺重要的，不过太多的东西也记不住，还需要后期看代码慢慢查找

Step3 练习代码（线性回归和API线性回归）

1.线性回归

import torch
import matplotlib.pyplot as plt
learning_rate = 0.01

# 1、 准备数据
# y=3x+0.8
x = torch.rand([500, 1])
y_true = x*3+0.8
# 2、 通过模型计算
w = torch.rand([1, 1], requires_grad=True)
b = torch.tensor(0, requires_grad=True, dtype=torch.float32)


# 3、 计算loss

# 4、 通过循环，反向传播，更新参数
for i in range(500):
    y_predict = torch.matmul(x, w) + b
    loss = (y_true - y_predict).pow(2).mean()
    if w.grad is not None:
        w.grad.data.zero_()
    if b.grad is not None:
        b.grad.data.zero_()

    loss.backward()  # 反向传播
    w.data = w.data-learning_rate*w.grad
    b.data = b.data-learning_rate*b.grad

    print("w,b,loss", w.item(), b.item(), loss.item())
plt.figure(figsize=(20, 8))
plt.scatter(x.numpy().reshape(-1), y_true.numpy().reshape(-1))
y_predict = torch.matmul(x, w) + b
plt.plot(x.numpy().reshape(-1), y_predict.detach().numpy().reshape(-1), c="r")
plt.show()

程序没问题，但运行时遇到了以下问题（和我电脑文件重复有关）

因此我查找解决方法，发现了插入以下代码就可以（治标不治本）

import os
os.environ['KMP_DUPLICATE_LIB_OK']='True'

成功地运行了

其中，蓝色的线是由500个随机数散点组成的y=3x+0.8，因此每次运行时，散点取值都不尽相同

红色的线是通过训练得到的y=3x+0.8，可以看出二者的区别很大，这是由于循环次数不够造成的

w为斜率，经过500次才达到2.1597.....

b为截距，经过500次才达到1.2390.....

可以提高循环次数来解决这个问题，例如将 for i in range(500):中的500改为5000

效果不错！

2.调用API实现线性回归

因为实际过程的代码参数肯定不止上边的w,b两个，因此就需要找一种更为合适统一的方法：

给出代码：

import torch
import torch.nn as nn
from torch.optim import SGD

# 准备数据
x = torch.rand([500, 1])
y_true = 3 * x + 0.8


# 1、定义模型
class MyLinear(nn.Module):
    def __init__(self):
        super(MyLinear, self).__init__()  # 继承父类init的参数
        self.linear = nn.Linear(1, 1)

    def forward(self, x):
        out = self.linear(x)
        return out


# 2、实例化模型


my_linear = MyLinear()
optimizer = SGD(my_linear.parameters(), 0.001)  # 梯度下降
loss_fn = nn.MSELoss()

# 3、循环，进行梯度下降，参数的更新
for i in range(5000):
    y_predict = my_linear(x)
    loss = loss_fn(y_predict, y_true)
    # 梯度置为零
    optimizer.zero_grad()
    # 反向传播
    loss.backward()
    # 参数更新
    optimizer.step()
    if i % 100 == 0:
        print(loss.item(), list(my_linear.parameters())[0].item(), list(my_linear.parameters())[1].item())

很奇怪的一点，代码检查了一个下午＋晚上，不知道哪里总出现问题