PyTorch的模型定义方法

最新推荐文章于 2024-10-31 23:43:50 发布

逐梦苍穹

最新推荐文章于 2024-10-31 23:43:50 发布

阅读量2.1k

点赞数 45

分类专栏：人工智能文章标签： pytorch 人工智能 python 模型定义

本文链接：https://blog.csdn.net/qq_60735796/article/details/140624152

版权

人工智能专栏收录该内容

82 篇文章 16 订阅

订阅专栏

文章目录

1、简介
2、导包
3、设置属性
4、构建数据集
5、训练函数
6、运行效果
7、完整代码

🍃作者介绍：双非本科大三网络工程专业在读，阿里云专家博主，专注于Java领域学习，擅长web应用开发、数据结构和算法，初步涉猎人工智能和前端开发。
🦅个人主页：@逐梦苍穹
📕所属专栏：人工智能
🌻gitee地址：xzl的人工智能代码仓库
✈ 您的一键三连，是我创作的最大动力🌹

1、简介

前面我们使用手动的方式来构建了一个简单的线性回归模型，如果碰到一些较大的网络设计，手动构建过于繁琐。

手动构建线性回归模型：https://xzl-tech.blog.csdn.net/article/details/140623730

所以，我们需要学会使用 PyTorch 的各个组件来搭建网络。
接下来，我们使用 PyTorch 提供的接口来定义线性回归。

使用 PyTorch 的 nn.MSELoss() 代替自定义的平方损失函数
使用 PyTorch 的 data.DataLoader 代替自定义的数据加载器
使用 PyTorch 的 optim.SGD 代替自定义的优化器
使用 PyTorch 的 nn.Linear 代替自定义的假设函数

解析如下：

数据集和数据加载器

构建数据集对象 TensorDataset，用于将特征 x 和标签 y 封装为一个数据集。
构建数据加载器 DataLoader，用于按批次加载数据，批次大小为 16，并打乱数据顺序。

构建模型、损失函数和优化器

使用 nn.Linear 构建一个线性模型，输入和输出特征数均为 1。
使用均方误差损失函数 nn.MSELoss 。
使用随机梯度下降优化器 optim.SGD，学习率为 0.01。

训练过程

外层循环控制训练轮数 epochs。
内层循环通过数据加载器 dataloader 按批次加载训练数据。
每个批次中：
将训练数据送入模型，计算预测值 y_pred。
计算预测值与真实值之间的损失 loss。
梯度清零，防止梯度累积。
反向传播计算梯度。
使用优化器更新模型参数。

我们接下来使用 PyTorch 来构建线性回归

2、导包

3、设置属性

4、构建数据集

5、训练函数

5.1、初始准备

5.2、训练过程

5.3、绘制图像

6、运行效果

从程序运行结果来看，我们绘制一条拟合的直线，和原始数据的直线基本吻合，说明我们训练的还不错。

7、完整代码

# -*- coding: utf-8 -*-
# @Author: CSDN@逐梦苍穹
# @Time: 2024/7/23 4:08

import torch  # 导入 PyTorch 库
from torch.utils.data import TensorDataset  # 导入 TensorDataset 类，用于创建数据集
from torch.utils.data import DataLoader  # 导入 DataLoader 类，用于批量加载数据
import torch.nn as nn  # 导入 torch.nn 模块，用于构建神经网络
import torch.optim as optim  # 导入 torch.optim 模块，用于优化算法
from sklearn.datasets import make_regression  # 导入 make_regression 函数，用于生成回归数据集
import matplotlib.pyplot as plt  # 导入 matplotlib.pyplot 模块，用于绘图

# 设置 Matplotlib 的字体和显示属性，用来正常显示中文标签和负号
plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置字体为 SimHei，用于显示中文
plt.rcParams['axes.unicode_minus'] = False  # 允许显示负号


# 构建数据集
def create_dataset():
    # 使用 make_regression 函数生成回归数据集
    x, y, coef = make_regression(n_samples=100,  # 样本数量为 100
                                 n_features=1,  # 特征数量为 1
                                 noise=10,  # 噪声为 10
                                 coef=True,  # 返回系数
                                 bias=14.5,  # 偏置为 14.5
                                 random_state=0)  # 随机种子为 0

    # 将构建的数据转换为张量类型
    x = torch.tensor(x)
    y = torch.tensor(y)
    return x, y, coef  # 返回特征、标签和系数


# 定义训练函数
def train():
    # 构建数据集
    x, y, coef = create_dataset()
    # 构建数据集对象, 将特征和标签封装为 TensorDataset 对象
    dataset = TensorDataset(x, y)
    # 构建数据加载器
    dataloader = DataLoader(dataset, batch_size=16, shuffle=True)  # 创建 DataLoader 对象，批次大小为 16，并打乱数据
    # 构建模型
    model = nn.Linear(in_features=1, out_features=1)  # 创建线性模型，输入特征数为 1，输出特征数为 1
    # 构建损失函数
    criterion = nn.MSELoss()  # 使用均方误差损失函数
    # 优化方法
    optimizer = optim.SGD(model.parameters(), lr=1e-2)  # 使用随机梯度下降法，学习率为 0.01
    # 初始化训练参数
    epochs = 100  # 训练轮数为 100

    # 训练过程
    for _ in range(epochs):  # 训练 epochs 轮
        for train_x, train_y in dataloader:  # 遍历每个批次的数据
            # 将一个批次的训练数据送入模型
            y_pred = model(train_x.type(torch.float32))  # 计算模型的预测值
            # 计算损失值
            loss = criterion(y_pred, train_y.reshape(-1, 1).type(torch.float32))  # 计算批次损失值
            # 梯度清零
            optimizer.zero_grad()  # 清零优化器中的梯度
            # 自动微分(反向传播)
            loss.backward()  # 反向传播计算梯度
            # 更新参数
            optimizer.step()  # 使用优化器更新模型参数

    # 绘制拟合直线
    plt.scatter(x, y)  # 绘制散点图
    x_vals = torch.linspace(x.min(), x.max(), 1000)  # 生成从 x 的最小值到最大值的等间距点
    y1 = torch.tensor([v * model.weight + model.bias for v in x_vals])  # 计算训练得到的拟合直线
    y2 = torch.tensor([v * coef + 14.5 for v in x_vals])  # 计算真实的直线

    plt.plot(x_vals, y1, label='训练')  # 绘制训练得到的拟合直线
    plt.plot(x_vals, y2, label='真实')  # 绘制真实直线
    plt.grid()  # 显示网格
    plt.legend()  # 显示图例
    plt.show()  # 显示图形


# 主程序入口
if __name__ == '__main__':
    train()  # 调用 train 函数开始训练