PyTorch深度学习实践——使用PyTorh实现线性模型

     在本次学习中，利用PyTorh实现了线性模型，总结如下：

     经过之前的学习，我们知道无论是使用pytorh实现线性模型或者是手动实现线性模型，实际上步骤都分为以下几步：

代码展示（附有释义）：

①准备数据集

import matplotlib.pyplot as plt
import torch
import os
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
#准备数据集
x_data = torch.tensor([[1.0],[2.0],[3.0]])
y_data = torch.tensor([[2.0],[4.0],[6.0]])
print(x_data.shape)

②设计模型

#构造模型
class LinearModel(torch.nn.Module):#将模型定义成一个类，模型类继承至Module
    def __init__(self):#构造函数，初始化对象调用
        super(LinearModel,self).__init__()#调用父类的构造
        #！！注意这里的（1，1）是指输入和输出的特征维度，并不代表权重和偏置
        self.linear = torch.nn.Linear(1,1)#实际上在构造一个对象，包含了权重和偏置两个tensor，形成权重与偏置构成的计算图模块，Linear类也是继承自Module，因此可以自动的进行反向传播

    def forward(self,x):#实现前馈计算，backwoard（）函数module构造出来的对象根据计算图可以自动实现反向传播
        y_pred = self.linear(x)#计算y_hat，linear对象后加（）实现可调用类，构造出wx+b计算图
        return y_pred
model = LinearModel()#类的实例化，可实现调用

③构造损失函数和优化器

#构造损失函数和优化器
criterion = torch.nn.MSELoss(size_average=False)#使用Mse损失函数，对结果得到的损失向量求和形成标量损失值，过程实现也会构造计算图,Mseloss也是继承至module

optimizer = torch.optim.SGD(model.parameters(),lr=0.01)#采用梯度下降,lr指学习率，自动找出module里面的需要优化的权重

epoch_list=[]
loss_list=[]

④训练周期

#训练过程
for epoch in range(1000):
    y_pred = model(x_data)#算出y_hat
    loss = criterion(y_pred,y_data)
    epoch_list.append(epoch)
    loss_list.append(loss.data)
    optimizer.zero_grad()#使得训练的权重归0
    loss.backward()#反向传播
    optimizer.step()#根据梯度和学习率对权重和偏置进行更新
    print(f"epoch={epoch}  loss={loss.data:3f}")

全部代码：

import matplotlib.pyplot as plt
import torch
import os
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
#准备数据集
x_data = torch.tensor([[1.0],[2.0],[3.0]])
y_data = torch.tensor([[2.0],[4.0],[6.0]])
print(x_data.shape)

#构造模型
class LinearModel(torch.nn.Module):#将模型定义成一个类，模型类继承至Module
    def __init__(self):#构造函数，初始化对象调用
        super(LinearModel,self).__init__()#调用父类的构造
        #！！注意这里的（1，1）是指输入和输出的特征维度，并不代表权重和偏置
        self.linear = torch.nn.Linear(1,1)#实际上在构造一个对象，包含了权重和偏置两个tensor，形成权重与偏置构成的计算图模块，Linear类也是继承自Module，因此可以自动的进行反向传播

    def forward(self,x):#实现前馈计算，backwoard（）函数module构造出来的对象根据计算图可以自动实现反向传播
        y_pred = self.linear(x)#计算y_hat，linear对象后加（）实现可调用类，构造出wx+b计算图
        return y_pred
model = LinearModel()#类的实例化，可实现调用

#构造损失函数和优化器
criterion = torch.nn.MSELoss(size_average=False)#使用Mse损失函数，对结果得到的损失向量求和形成标量损失值，过程实现也会构造计算图,Mseloss也是继承至module

optimizer = torch.optim.SGD(model.parameters(),lr=0.01)#采用梯度下降,lr指学习率，自动找出module里面的需要优化的权重

epoch_list=[]
loss_list=[]

#训练过程
for epoch in range(1000):
    y_pred = model(x_data)#算出y_hat
    loss = criterion(y_pred,y_data)
    epoch_list.append(epoch)
    loss_list.append(loss.data)
    optimizer.zero_grad()#使得训练的权重归0
    loss.backward()#反向传播
    optimizer.step()#根据梯度和学习率对权重和偏置进行更新
    print(f"epoch={epoch}  loss={loss.data:3f}")
print('w=',model.linear.weight.item())
print("b=",model.linear.bias.item())


x_test = torch.tensor([[4.0]])
y_test = model(x_test)
print('y_pred',y_test.item())
plt.plot(epoch_list,loss_list)
plt.xlabel('Epoch')
plt.ylabel('loss')
plt.show()

结果展示：

  本人小白一枚，刚入深度学习坑，纯粹自我总结，有问题请大佬指出！不胜感激