Pytorch入门01

线性模型

深度学习的步骤：
1.DataSet准备数据集
2.Model选择模型
3.Training开始训练
4.Inferring应用，进行推理

数据集

拿到数据集以后需要分为训练集与测试集两个部分

通常在训练集中可以同时看到数据和结果，但是在测试集中只能看到数据，无法看到结果。

**过拟合：**例如训练的过程中将图像的噪声也学习进去了，导致实际使用过程中对于输入的图片不能很好地识别。
**泛化：**对于非训练集的图像也能有一个很好地识别。

为了提升训练模型的泛化能力，我们往往把训练集又分为训练集和开发集（验证集合），训练完成后对模型利用开发集进行一个验证，模型预测准确率达标后再放到测试集上进行测试。

模型的设计

损失函数：

找到一个最合适的w的值，将平均损失降到最低



寻求平均损失最小的w

import numpy as np
import matplotlib.pyplot as plt
x_data=[1.0,2.0,3.0]
y_data=[2.0,4.0,6.0]
def forward(x):
    return x*w
def loss(x,y):
    y_pred=forward(x)
    return (y_pred-y)*(y_pred-y)
w_list=[]
mse_list=[]
for w in np.arange(0.0,4.1,0.1):
    print("w=",w)
    l_sum=0
    for x_val,y_val in zip(x_data,y_data):
        y_pred_val=forward(x_val)
        loss_val=loss(x_val,y_val)
        l_sum+=loss_val
        print('\t',x_val,y_val,y_pred_val,loss_val)
    print('MSE=',l_sum/3)
    w_list.append(w)
    mse_list.append(l_sum/3)
    plt.plot(w_list,mse_list)
plt.ylabel('Loss')
plt.xlabel('w')
plt.show()

python中for循环

代表x_val和y_val依次读取两个数组里面的值
《visdom》模型训练可视化工具