1.问题描述:
x表示学习时长,y表示能否通过考核。预测学习时长为4时,能否通过考试。
2.模型,损失函数,优化器:
模型:线性模型,y_pred=wx+b或y_pred=wx,偏置可以在建立模型时选择bias=True
损失函数:
优化器:SGD随机梯度下降
3.python代码:
import numpy as np
import torch
from torch import nn
import matplotlib.pyplot as plt
from torch import optim
from torch.nn import Linear, BCELoss
# 准备数据集,注意最外层两个方括号,Tensor类型
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])
# 建立模型,线性+sigmoid
class model(nn.Module):
def __init__(self):
super(model, self).__init__()
self.linear = Linear(1, 1)
def forward(self, x):
x = torch.sigmoid(self.linear(x))
return x
#类实例化
my_model = model()
#二分类问题,BCELoss
loss_cal = BCELoss(size_average=True)
#创建优化器
optimizer = optim.SGD(my_model.parameters(), lr=0.01)
for epoch in range(10000):
#前向计算
y_pred = my_model(x_data)
loss = loss_cal(y_pred, y_data)
#梯度清零
optimizer.zero_grad()
#反向传播
loss.backward()
#参数调整
optimizer.step()
#测试用例
x_test = np.linspace(1, 10, 200)
x_test1 = torch.Tensor(x_test).view(200, 1)
y_test1 = my_model(x_test1)
y_test = y_test1.data.numpy()
plt.figure()
plt.plot(x_test, y_test)
plt.plot([1, 10], [0.5, 0.5])
plt.xlabel("time used to study pytorch")
plt.ylabel("possibility of passing exams")
plt.show()
4.可视化结果:
x表示学习时长,蓝线表示通过的概率,可以看到,学习时间越长,通过的概率越高。
(疯狂内涵)
5.以上均为个人学习pytorch基础入门中的基础,浅做记录,如有错误,请各位大佬批评指正!
6.关于问题描述和原理的部分图片参考刘老师的视频课件,本文也是课后作业的一部分,特此附上视频链接,《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili,希望大家都有所进步!