Pytorch:神经网络实现的基本步骤

最新推荐文章于 2024-08-10 23:26:47 发布

iotflh

最新推荐文章于 2024-08-10 23:26:47 发布

阅读量963

点赞数 1

分类专栏： Pytorch

本文链接：https://blog.csdn.net/iotflh/article/details/112671420

版权

Pytorch 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

该博客详细介绍了如何使用PyTorch构建并训练一个简单的线性回归模型。从准备数据集开始，包括创建一个玩具数据集，然后定义网络结构（线性层），接着定义最小平方误差损失函数和随机梯度下降优化器。博主通过迭代训练模型，并记录训练过程中的损失。整个过程展示了PyTorch中数据加载、前向传播、反向传播和参数更新的基本步骤。

摘要由CSDN通过智能技术生成

基本步骤

1、准备数据集

2、定义网络结构

3、定义损失函数

4、定义优化算法

5、迭代训练

1、准备好Tensor形式的输入数据及标签（涉及到torch.utils.data.Dataset和DataLoader）
2、定义好网络前向传播用于计算网络的输出(output)以及网络的损失(loss)
3、定义传播进行网络参数更新：
（1）将上一个迭代所计算的梯度进行清零:optimizer.zero_grad()
（2）进行本次迭代的梯度计算:loss.backward()
（3）更新网络的权值参数：optimizer.step()
保存训练集上的loss以及验证集上的loss以及准确率，并打印可视化

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt


# Hyper-parameters 定义迭代次数， 学习率以及模型形状的超参数
input_size = 1
output_size = 1
num_epochs = 60
learning_rate = 0.001

# Toy dataset  1. 准备数据集
x_train = np.array([[3.3], [4.4], [5.5], [6.71], [6.93], [4.168], 
                    [9.779], [6.182], [7.59], [2.167], [7.042], 
                    [10.791], [5.313], [7.997], [3.1]], dtype=np.float32)

y_train = np.array([[1.7], [2.76], [2.09], [3.19], [1.694], [1.573], 
                    [3.366], [2.596], [2.53], [1.221], [2.827], 
                    [3.465], [1.65], [2.904], [1.3]], dtype=np.float32)

# Linear regression model  2. 定义网络结构 y=w*x+b 其中w的size [1,1], b的size[1,]
model = nn.Linear(input_size, output_size)

# Loss and optimizer 3.定义损失函数， 使用的是最小平方误差函数
criterion = nn.MSELoss()
# 4.定义迭代优化算法， 使用的是随机梯度下降算法
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)  
loss_dict = []
# Train the model 5. 迭代训练
for epoch in range(num_epochs):
    # Convert numpy arrays to torch tensors  5.1 准备tensor的训练数据和标签
    inputs = torch.from_numpy(x_train)
    targets = torch.from_numpy(y_train)

    # Forward pass  5.2 前向传播计算网络结构的输出结果
    outputs = model(inputs)
    # 5.3 计算损失函数
    loss = criterion(outputs, targets)
    
    # Backward and optimize 5.4 反向传播更新参数
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()