前言
介绍深度学习中的反向传播
一、为什么要用反向传播机制
解析式能够得到且简单是可以直接求导数的具体表达,但是很复杂时无法求出具体导数。这就导致无法得到梯度,因此需要反向传播机制。
思想:将网络看成一个图,在图上传播梯度。根据链式法则得到具体梯度。
二、使用步骤
1.程序步骤
1.给定需要训练参数的初值
2.写模型函数
3.写Loss计算函数
4.进行训练过程,得到Tensor中的数据标量使用.item(),反向传播计算梯度利用.backward()
2.示例1
模型为y=wx
代码如下(示例):
import torch
import matplotlib.pyplot as plt
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,x自动类型转换,输出为Tensor
def loss(x, y):
y_pred = forward(x)
return (y_pred - y) ** 2
print("predict (before training)", 4, forward(4).item())
epoch_list = []
cost_list = []
for epoch in range(100):
sum_l = 0
for x, y in zip(x_data, y_data):
l = loss(x, y) # l是一个张量,tensor主要是在建立计算图 forward, compute the loss
l.backward() # backward,compute grad for Tensor whose requires_grad set to True
print('\tgrad:', x, y, w.grad.item())
sum_l+=l.item()
w.data = w.data - 0.01 * w.grad.data # 权重更新时,注意grad也是一个tensor
w.grad.data.zero_() # after update, remember set the grad to zero
print('progress:', epoch, sum_l/len(x_data)) # 取出loss使用l.item,不要直接使用l(l是tensor会构建计算图)
epoch_list.append(epoch)
cost_list.append(sum_l/len(x_data))
print("final w:", w.item())
print("predict (after training)", 4, forward(4).item())
plt.plot(epoch_list, cost_list)
plt.ylabel('cost')
plt.xlabel('epoch')
plt.show()
得到如下结果
3.示例2
模型为y=w1x^2+w2x+b
代码如下(示例):
import numpy as np
import matplotlib.pyplot as plt
import torch
x_data = [1.0,2.0,3.0]
y_data = [2.0,4.0,6.0]
w1 = torch.Tensor([1.0]) # 初始权值
w1.requires_grad = True # 计算梯度,默认是不计算的
w2 = torch.Tensor([1.0])
w2.requires_grad = True
b = torch.Tensor([1.0])
b.requires_grad = True
def forward(x):
return w1 * x**2 + w2 * x + b
def loss(x,y):#构建计算图
y_pred = forward(x)
return (y_pred-y) **2
print('Predict (befortraining)',4,forward(4))
epoch_list = []
cost_list = []
for epoch in range(100):
sum_loss = 0.0
for x,y in zip(x_data,y_data):
l = loss(x, y)
l.backward()
sum_loss += l.item()
print('\tgrad:',x,y,w1.grad.item(),w2.grad.item(),b.grad.item())
w1.data = w1.data - 0.01*w1.grad.data #注意这里的grad是一个tensor,所以要取他的data
w2.data = w2.data - 0.01 * w2.grad.data
b.data = b.data - 0.01 * b.grad.data
w1.grad.data.zero_() #释放之前计算的梯度
w2.grad.data.zero_()
b.grad.data.zero_()
print('Epoch:',epoch,'Loss:',sum_loss/len(x_data))
epoch_list.append(epoch)
cost_list.append(sum_loss/len(x_data))
print('Predict(after training)',4,forward(4).item())
print('final w1:',w1.item())
print('final w2:',w2.item())
print('final b:',b.item())
plt.plot(epoch_list, cost_list)
plt.ylabel('cost')
plt.xlabel('epoch')
plt.show()
得到如下结果
总结
PyTorch学习3:反向传播