NLP自然语言处理（三）

NLP自然语言处理（三）

一、pytorchAPI的使用

1. nn.Module
   a. _ init _：自定义的方法实现位置
   nn.Linear(input的特征数量，output的特征数量) torch预先定义好的模型（全链接层）传入的参数是输入的数量，输出的数量是(in_features,out_f
   eatures),是不算(batch_size的列数)
   b.forward : 完成一次向前计算过程

2. optimizer 优化器类
   a. torch.optim.SGD(参数，学习率)
   b. torch.optim.Adam(参数，学习率)

3. 损失函数
   a.均方误差 nn.MELoss() 常用语分类问题
   b.交叉熵损失 nn.CrossEntropyLoss() 常用与逻辑回归

二、API实现线性回归

import torch
import torch.nn as nn
from torch.optim import SGD
import matplotlib.pyplot as plt
# 1.准备数据
x = torch.rand([500,1]) # 创建一个0-1 符合要求形状的tensor
y_true = 3*x + 0.8
# 2.定义模型
class MyLinear(nn.Module) :
    def __init__(self):
        # 继承父类的init
        super(MyLinear, self).__init__()
        self.linear = nn.Linear(1,1)
    def forward(self,x):
        out = self.linear(x)
        return out
# 3.实例化模型 优化器类实例化 loss实例化
my_linear = MyLinear()
optmizer = SGD(my_linear.parameters(),0.001) # 0.001学习率
loss_fn = nn.MSELoss()
# 4.循环 进行梯度下降 参数更新
for i in range(2000):
    # 得到预测值
    y_predict = my_linear(x)
    loss = loss_fn(y_predict,y_true) # input:y_predict   target:y_true

    # 梯度置为0 使用优化器类optmizer
    optmizer.zero_grad()
    # 反向传播
    loss.backward()
    # 参数更新
    optmizer.step()
    if i % 50 == 0:
        params = list(my_linear.parameters())
        print(loss.item(),params[0].item(),params[1].item())
        # print(loss.item(),list(my_linear.parameters())) my_linear.parameters() my_linear中的参数w,b
params = list(my_linear.parameters())
# 设置图片大小
plt.figure(figsize=(20,8))
# 散点图
plt.scatter(x.numpy().reshape(-1),y_true.numpy().reshape(-1))
# 直线
y_predict = torch.matmul(x,params[0]) + params[1]
plt.plot(x.numpy().reshape(-1),y_predict.detach().numpy().reshape(-1),c='r')
plt.show()