刘二大人pytorch代码（自用）

代码来源：B站up  刘二大人

1.线性模型：

实现功能：

使用线性模型 y=w*x拟合数据集。

从0.0到4.0挨个取权重w，拟合数据集。分别计算w在0.0到4.0时的损失值，这里使用的损失函数是均方误差。

    代码：

import numpy as np
import matplotlib.pyplot as plt

x_data=[1.0,2.0,3.0]      #dataSheet
y_data=[2.0,4.0,6.0]


def forward(x):           #线性函数，
    return x * w

def loss(x,y):           #均方误差
    y_pred=forward(x)
    return (y_pred-y)**2

w_list=[]                              #为了画图使用，关于w和mse的图像
mse_list=[]
for w in np.arange(0.0, 4.1, 0.1):        #np.arange()  :从0，到4 的向量，步长为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()

知识点：就是简单的使用y = w * x这个模型，不断改变w这个参数，选择一个最符合数据集的模型。绘制的（w,mse)图可以看出，当w取2时损失为0，完美拟合数据集。

2.梯度下降

 实现：

        利用梯度下降算法更新w，拟合数据集。

代码：

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]

w=1.0

def forward(x):
    return x*w


def cost(xs,ys):
    cost=0
    for x,y in zip(xs,ys):
        y_pred=forward(x)
        cost+=(y_pred-y)**2
    return cost/len(xs)


def gradient(xs,ys):
    grad=0
    for x,y in zip(xs,ys):
        grad+=2*x*(x*w-y)
    return grad/len(xs)

print('Predict(before training)',4,forward(4))
for epoch in range(100):
    cost_val = cost(x_data,y_data)
    grad_val= gradient(x_data,y_data)
    w -= 0.01 * grad_val
    print('Epoch:',epoch,'w=',w,'loss=',cost_val)
print('Predict(after training)',4,forward(4))

知识点：梯度下降的权重更新公式-- 。从上面的代码可以看出，更新参数的时候与实际的loss值没有关系，知识和loss的公式有关系grad=2*x*(x*w-y)。

3.随机梯度下降：

实现功能：

        上面的梯度下降算法是全部数据集计算完梯度后取平均再去更新w，SGD是一个样本计算完梯度后就去更新w。

代码：

#  随机梯度下降，
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

w = 1.0

def forward(x):
    return x * w

def loss(x, y):
    y_pred = forward(x)
    return (y_pred - y) ** 2

def gradient(x, y):
    return 2 * x * (x * w - y)

print('predict (before training)', 4, forward(4))
for epoch in range(100):
    for x, y in zip(x_data, y_data):
        grad = gradient(x, y)
        w -= 0.01 * grad # 及时更新，没办法并行运算，，batch
        print('\tgrad:', x, y, grad)
        l = loss(x, y)
    print("progress:", epoch, "w=", w, "loss", l)
print('predict (after training)', 4, forward(4))

 知识点：随机梯度下降(SGD)和上面的梯度下降的一个重要不同就是——SGD是一个样本进入网络后就更新一次w。这样加快了权重的收敛速度。

4.反向传播

 实现功能：利用torch中的tensor自动更新权重w，不需要自己写梯度函数了。其中计算图的构建是在使用tensor计算时。在执行完loss.backward()后，释放计算图。

代码：

import torch

x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

w = torch.Tensor([1.0])
w.requires_grad = True  # 需要计算梯度

def forward(x):
    return x * w  # tensor
    
def loss(x, y):
    y_pred = forward(x)
    return (y_pred - y) ** 2

print('predict (before training)', 4, forward(4).item())
for epoch in range(100):
    for x, y in zip(x_data, y_data):
        l = loss(x, y) # 前向，计算loss
        l.backward() # 做完后计算图会释放
        print('\tgrad:', x, y, w.grad.item())  # item取值，要是张量计算图一直累积
        w.data -= 0.01 * w.grad.data  # 不取data会是TENSOR有计算图

        w.grad.data.zero_()  # 计算出来的梯度不清零会累加
    print("progress:", epoch, l.item())
print('predict (after training)', 4, forward(4).item())

 知识点：反向传播——前向传播完成后，反向传播计算权重的梯度更新参数。代码中需要注意的是，计算图是在使用Tensor进行运算时构建，在执行完l.backward()后释放。在不需要构建计算图的地方构建了计算图不会报错，但是占据的内存会增加，直到内存爆了以后报错。

5. pytorch实现线性回归

实现：利用pytorch的损失函数和优化器更新参数和计算损失函数，构建了一个简单的y=wx+b的模型。

代码：

'''
pytorch 中的重点是构造计算图


1. 数据集
2. 神经网络模型
3. 构造损失函数和优化器
4. 训练