# forward import torch #数据集 x_data = [1.0, 2.0, 3.0] y_data = [2.0, 4.0, 6.0] w = torch.Tensor([1.0])#Tensor是用来存储数据的,它用来保存权重值和损失函数对权重的导数,初始权值为1.0 w.requires_grad = True#True代表对w求梯度 def forward(x):#计算y_hat(预测值) return x * w def loss(x, y):#计算损失函数 y_pred = forward(x) return (y_pred - y) ** 2 print("predict (before training)", 4, forward(4).item())#计算权重训练前的y_hat for epoch in range(100):#进行一百次训练 for x, y in zip(x_data, y_data): l = loss(x, y) l.backward()#用于计算路径上所有梯度,梯度会保存到前面设定的w = torch.Tensor([1.0])里面,保存完了之后就会被释放 print('\tgrad:', x, y, w.grad.item())#输出对应的权重梯度(导数) w.data = w.data - 0.01 * w.grad.data#更新权重,梯度下降核心公式,0,01是训练速率 w.grad.data.zero_()#把权重的梯度数据清0,不清0数据就会堆积 print("progress:", epoch, l.item())#输出每次迭代的,最后的l = loss(x, y),可以观察到loss不断减少 print("predict (after training)", 4, forward(4).item())#计算权重训练后的y_hat
PyTorch简单线性回归的实现
于 2022-11-19 11:37:06 首次发布