第一次接触pytorch,本贴仅记录学习过程,侵删
在B站看完了视频的P3.梯度下降算法以及P4.反向传播后,先记录一些笔记。
视频地址:《PyTorch深度学习实践》完结合集 04. 反向传播
真的强烈推荐刘二大人的这个课程,老师讲的太清楚了!我本来是准备直接在PyTorch官网里看PyTorch 1.4 中文文档 & 教程的,但是总会碰到一些自己不理解的地方,需要花费一些时间去搜索、理解。后来无意之间在B站发现了这个视频以后,发现PyTorch文档配合视频真的可以说是理解毫无障碍了。
import torch
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
w = torch.Tensor([1.0])
w.requires_grad = True
def forward(x):
return x * w
def loss(x, y):
y_pred = forward(x)
return (y_pred - y) ** 2
print("predict (before training)", 4, forward(4).item())
for epoch in range(100):
for x, y in zip(x_data, y_data):
l = loss(x, y) # 根据此函数可以画出一个计算图
l.backward() # 把计算链路上所有梯度都求出来,求完后存入变量并将计算图释放
# 若下次再执行loss计算,则会再生成一个新的计算图
# 每进行一次反向传播,都将释放计算图,准备下一次的计算图
print('\tgrad:', x, y, w.grad.item(), w)
# w.grad.item()是将梯度中的数值直接拿出来变成一个标量,也是为了防止产生计算图
w.data = w.data - 0.01 * w.grad.data # grad被用于更新w
# 这里不能直接用w.grad,因为Tensor包含了data和grad,w.grad也是一个Tensor
# 这里我们要取出w.grad的data,取出data的好处就是它不会建立计算图
# 这里我们的目的就是修改权重w的数值,我们不希望在修改数值时将来我们还要对它求梯度,
w.grad.data.zero_()
# 使用.backward() 得到的grad是会叠加的
# 当我们使用下一个.backward() 且未将grad.data清零时,得到的grad是被叠加过后的grad
print('progress:', epoch, l.item())
print("predict(after training)", 4, forward(4).item())
接下来完成P4.反向传播的作业
作业一:利用计算图来计算梯度
这个我就不在这贴了
作业二:利用PyTorch来计算梯度
import torch
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
w1 = torch.Tensor([1.0])
w1.requires_grad = True
w2 = torch.Tensor([1.0])
w2.requires_grad = True
b = torch.Tensor([1.0])
b.requires_grad = True
def forward(x):
return x * x * w1 + x * w2 + b
def loss(x, y):
y_pred = forward(x)
return (y_pred - y) ** 2
print("predict (before training)", 4, forward(4).item())
for epoch in range(100):
for x, y in zip(x_data, y_data):
l = loss(x, y)
l.backward()
print('\tgrad:', x, y, w1.grad.item(), w2.grad.item(), b.grad.item())
w1.data = w1.data - 0.01 * w1.grad.data
w2.data = w2.data - 0.01 * w2.grad.data
b.data = b.data - 0.01 * b.grad.data
w1.grad.data.zero_()
w2.grad.data.zero_()
b.grad.data.zero_()
print('progress:', epoch, l.item())
print("predict(after training)", 4, forward(4).item())
之前在视频的评论里有大佬也分享了他的笔记以及作业,侵删
指路:PyTorch学习(三)–反向传播