pytorch学习笔记（二）

这是在上一篇的基础之上，更近一部，原来的将y进行sigmoid(y)处理，变为0~1之间的概率值

一、数据准备

x_data = torch.Tensor([[1.0],[2.0],[3.0]])
y_data = torch.Tensor([[0],[0],[1]])

【注意这里是Tensor，而不是tensor,要不然会出现类型不匹配】

二、模型构建

import torch.nn.functional as F

class LR_model(nn.Module):
    def __init__(self):
        super(LR_model, self).__init__()
        self.linear = nn.Linear(1,1)
    def forward(self,x):
        y_pred = F.sigmoid(self.linear(x))    #与原来的唯一不同之处，Y加了个sigmoid()
        return y_pred

model = LR_model()

三、定义损失函数与优化器

criterion  = nn.BCELoss(size_average=False)
#原来的是MSEloss,现在是BECLoss()
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)

四、开始训练

for epoch in range(500):
    optimizer.zero_grad()    #清空过往梯度
    y_pred = model(x_data)    #带入模型
    #print('y_pred',y_pred)
    loss = criterion(y_pred,y_data)    #计算损失
    print('epoch',epoch+1,loss.item())
    loss.backward()    #反向传播，计算当前的梯度
    optimizer.step()    #根据梯度更新网络参数

梯度清零要在loss之前就OK。通常的逻辑：

1，计算预测值；2，获取loss,计算损失函数;3,梯度置0；4，反向传播，计算当前的梯度，5，根据梯度更新网络参数。

简而言之，就是进来一个batch的数据，计算一次梯度，更新一次网络

五、预测

x_t = torch.Tensor([[1],[5]])
#print("x_t",x_t)
y_t = model(x_t)
#print('y_t',y_t)
#x_t tensor([[1.],[5.]])
#y_t tensor([[0.3326],[0.7502]], grad_fn=<SigmoidBackward0>)

学习1小时及格的概率0.33，学习5小时几个的概率0.75