PyTorch深度学习实践02——线性模型

  • 四步走:
  1. Dataset
  2. Model
  3. Training
  4. Infering(拿到新data,推理出结果)
  • loss是针对一条样本而言的,cost(例如mse)是针对training set而言的
  • 在本节中,我们使用穷举法琼剧所有可能的模型参数(w),绘制出mse曲线,肉眼观察处最优的模型参数

课上代码说明:

  1. 函数forward(x)中,有一个变量w。这个变量w最终的值是从for循环中传入的,可视为全局变量
  2. Pyhton的zip函数
import numpy as np
import matplotlib.pyplot as plt

# prepare the dataset
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

# define the model
def forward(x):
    return x * w

# define the loss function
def loss(x, y):
    y_pred = forward(x)
    return (y_pred-y) ** 2

# prepare two list to draw the graph
w_list = []
mse_list = []

# 穷举过程
# zip函数:将对象中对应的元素打包成一个个元组,然后返回由这些元组组成的列表。
for w in np.arange(0.0,4.1,0.1):
    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)

# draw the graph
plt.plot(w_list,mse_list)
plt.ylabel("Loss")
plt.xlabel("w")
plt.show()

补充:课上还讲了在深度学习过程中使用到的Visdom可视化工具

课后作业代码:

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# prepare dataset, y = 2x + 3
x_data = [1.0, 2.0, 3.0]
y_data = [5.0, 7.0, 9.0]

# 生成矩阵坐标
W, B = np.arange(0.0, 4.1, 0.1).round(1), np.arange(0.0, 4.1, 0.1).round(1)
w, b = np.meshgrid(W, B)

# defint the model
def forward(x):
    return x * w + b

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

# 这里的运算都是矩阵运算
l_sum = 0
for x_val, y_val in zip(x_data, y_data):
    loss_val = loss(x_val, y_val)
    l_sum += loss_val

mse = l_sum/len(x_data)

# 绘图

## 定义figure
fig = plt.figure()

## 画3D图
ax = Axes3D(fig)
surf = ax.plot_surface(w, b, mse, rstride=1, cstride=1, cmap='rainbow')

## 设置下标
ax.set_xlabel('w')
ax.set_ylabel('b')
ax.set_zlabel('Loss')

## 设置颜色条
fig.colorbar(surf, shrink = 0.5, aspect = 5)
plt.show()

注意,相比于例题中显式枚举每一个w的值,这里直接进行了矩阵运算,最后得到的loss_val、l_sum、mse等都是矩阵

参考文献:

https://blog.csdn.net/qq_44948213/article/details/126360152?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-126360152-blog-121982714.pc_relevant_multi_platform_whitelistv4eslandingctr&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-126360152-blog-121982714.pc_relevant_multi_platform_whitelistv4eslandingctr&utm_relevant_index=1

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值