《PyTorch深度学习实践3》——反向传播（Back Propagation）

一、Tensor

1.定义

       张量的定义是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数。
       在PyTorch上有这样一句话，A torch.Tensor is a multi-dimensional matrix containing elements of a single data type.而在应用时，Tensor是一个神奇的东西，注意这里的类型是<class ‘torch.Tensor’>

2.Tensor常见形式

3.torch.tensor和torch.Tensor

看完下面这个代码你就知道区别了

从某种意义下，或者你需要这样初始化，才能使torch.tensor和torch.Tensor看起来一样

4.Tensor.grad

       Tensor.grad，它的属性默认是None，当第一次调用backward()为它自己计算梯度的时候才会变成一个Tensor。这个属性将会包含这些计算的梯度，并且未来调用backward()将会把梯度累加进去。这也是为什么我们在更新梯度的时候需要清零的原因。
       我就基本介绍这些啦，需要了解更多的可以查看官网：https://pytorch.org/docs/stable/tensors.html

二、反向传播

import torch

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

w = torch.tensor([1.0])  # w的初值为1.0
w.requires_grad = True  # 需要计算梯度

def forward(x):
    return x * w  # w是一个Tensor

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

print("predict (before training)", 4, forward(4).item(), '\n') #Tensor.item()只会返回一个元素的Tensor

for epoch in range(10):
    for x, y in zip(x_data, y_data):
        l = loss(x, y)
        l.backward()  # 反向传播
        print('\tgrad:', x, y, w.grad.item())
        print(w.grad.data, type(w.grad.data))
        print(w, type(w), '\n')
        w.data = w.data - 0.01 * w.grad.data

        w.grad.data.zero_()  # 更新后，梯度清零

    print('progress:', epoch, l.item(), type(l), '\n')

print("predict (after training)", 4, forward(4).item())

这个代码实现是很简单的，但是里面的各种类的定义和嵌套，可以好好对应这个输出结果查看一下，加深理解。

本文为系列文章：

上一篇	《Pytorch深度学习实践》目录	下一篇
梯度下降算法（Gradient Descent）	资料	线性回归（Linear Regression）