pytorch基础（2）【代码例子】

已于 2023-01-06 16:18:13 修改
阅读量1.3k 收藏 2
点赞数
分类专栏： pytorch 机器学习 文章标签： 深度学习 人工智能 cnn
于 2022-03-27 20:43:53 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_61094172/article/details/123747031
版权

线性模型

# -*- coding: utf-8 -*-
import numpy as np
import matplotlib.pyplot as plt

x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

def forward(x):
    return x * w

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

# 保存权重
w_list = []
# 保存权重的损失函数值
mse_list = []

# 穷举w值对应的损失函数MSE
for w in np.arange(0.0, 4.1, 0.1):
    print('w = ', w)
    loss_sum = 0
    for x_val, y_val in zip(x_data, y_data):
        # 为了打印y预测值，其实loss里也计算了
        y_pred_val = forward(x_val)
        loss_val = loss(x_val, y_val)
        loss_sum += loss_val
        print('\t', x_val, y_val,
              y_pred_val, loss_val)
    print('MSE = ', loss_sum / 3)
    print('='*60)
    w_list.append(w)
    mse_list.append(loss_sum / 3)
    

 # 绘loss变化图，横坐标是w，纵坐标是loss
plt.plot(w_list, mse_list)
plt.ylabel('Loss')
plt.xlabel('w')
plt.show()

=========================================

w =  0.0
	 1.0 2.0 0.0 4.0
	 2.0 4.0 0.0 16.0
	 3.0 6.0 0.0 36.0
MSE =  18.666666666666668
============================================================
w =  0.1
	 1.0 2.0 0.1 3.61
	 2.0 4.0 0.2 14.44
	 3.0 6.0 0.30000000000000004 32.49
MSE =  16.846666666666668
============================================================
w =  0.2
	 1.0 2.0 0.2 3.24
	 2.0 4.0 0.4 12.96
	 3.0 6.0 0.6000000000000001 29.160000000000004
MSE =  15.120000000000003
============================================================
w =  0.30000000000000004
	 1.0 2.0 0.30000000000000004 2.8899999999999997
	 2.0 4.0 0.6000000000000001 11.559999999999999
	 3.0 6.0 0.9000000000000001 26.009999999999998
MSE =  13.486666666666665
============================================================
w =  0.4
	 1.0 2.0 0.4 2.5600000000000005
	 2.0 4.0 0.8 10.240000000000002
	 3.0 6.0 1.2000000000000002 23.04
MSE =  11.946666666666667
============================================================
w =  0.5
	 1.0 2.0 0.5 2.25
	 2.0 4.0 1.0 9.0
	 3.0 6.0 1.5 20.25
MSE =  10.5
============================================================
w =  0.6000000000000001
	 1.0 2.0 0.6000000000000001 1.9599999999999997
	 2.0 4.0 1.2000000000000002 7.839999999999999
	 3.0 6.0 1.8000000000000003 17.639999999999993
MSE =  9.146666666666663
============================================================
w =  0.7000000000000001
	 1.0 2.0 0.7000000000000001 1.6899999999999995
	 2.0 4.0 1.4000000000000001 6.759999999999998
	 3.0 6.0 2.1 15.209999999999999
MSE =  7.886666666666666
============================================================
w =  0.8
	 1.0 2.0 0.8 1.44
	 2.0 4.0 1.6 5.76
	 3.0 6.0 2.4000000000000004 12.959999999999997
MSE =  6.719999999999999
============================================================
w =  0.9
	 1.0 2.0 0.9 1.2100000000000002
	 2.0 4.0 1.8 4.840000000000001
	 3.0 6.0 2.7 10.889999999999999
MSE =  5.646666666666666
============================================================
w =  1.0
	 1.0 2.0 1.0 1.0
	 2.0 4.0 2.0 4.0
	 3.0 6.0 3.0 9.0
MSE =  4.666666666666667
============================================================
w =  1.1
	 1.0 2.0 1.1 0.8099999999999998
	 2.0 4.0 2.2 3.2399999999999993
	 3.0 6.0 3.3000000000000003 7.289999999999998
MSE =  3.779999999999999
============================================================
w =  1.2000000000000002
	 1.0 2.0 1.2000000000000002 0.6399999999999997
	 2.0 4.0 2.4000000000000004 2.5599999999999987
	 3.0 6.0 3.6000000000000005 5.759999999999997
MSE =  2.986666666666665
============================================================
w =  1.3
	 1.0 2.0 1.3 0.48999999999999994
	 2.0 4.0 2.6 1.9599999999999997
	 3.0 6.0 3.9000000000000004 4.409999999999998
MSE =  2.2866666666666657
============================================================
w =  1.4000000000000001
	 1.0 2.0 1.4000000000000001 0.3599999999999998
	 2.0 4.0 2.8000000000000003 1.4399999999999993
	 3.0 6.0 4.2 3.2399999999999993
MSE =  1.6799999999999995
============================================================
w =  1.5
	 1.0 2.0 1.5 0.25
	 2.0 4.0 3.0 1.0
	 3.0 6.0 4.5 2.25
MSE =  1.1666666666666667
============================================================
w =  1.6
	 1.0 2.0 1.6 0.15999999999999992
	 2.0 4.0 3.2 0.6399999999999997
	 3.0
最低0.47元/天 解锁文章
来自新世界、
关注
专栏目录
深度学习实例 | 第1例：猫狗识别 - PyTorch实现
qq_54695558的博客
07-15 1058
手动搭建LeNet实现猫狗识别
总结3-常见深度学习网络入门：pytorch实例
qimo601的专栏
09-15 3211
常见深度学习网络入门：pytorch实例
Pytorch 官方 示例代码 MNIST 数据集
09-05
Pytorch 官方 示例代码 MNIST 数据集，使用tar 命令压缩过，需要解压请使用 tar 工具进行操作
pytorch基础教学简单实例（附代码）
热门推荐
Lizhi_Tech的博客
07-15 1万+
零基础pytorch深度学习安装使用代码实例新手教学
pytorch list转tensor_点赞收藏：PyTorch常用代码段整理合集
weixin_39549110的博客
11-20 861
机器之心转载来源：知乎作者：张皓众所周知，程序猿在写代码时通常会在网上搜索大量资料，其中大部分是代码段。然而，这项工作常常令人心累身疲，耗费大量时间。所以，今天小编转载了知乎上的一篇文章，介绍了一些常用PyTorch代码段，希望能够为奋战在电脑桌前的众多程序猿们提供帮助！本文代码基于 PyTorch 1.0 版本，需要用到以下包importcollectionsimportosimp...
Python-介绍PyTorch的简单示例
08-09
介绍 PyTorch的简单示例
pytorch案例代码-1
weixin_43739821的博客
10-09 523
pytorch 深度学习 DNN CNN GoogLeNet ResNet
PyTorch入门例子和代码
05-27
PyTorch入门例子和代码 第1章：PyTorch简介 PyTorch是一个开源的机器学习库，广泛用于计算机视觉和自然语言处理领域。...第4章：PyTorch基础操作 张量操作 # 创建两个张量 x = torch.tensor([1.0, 2.0
基础神经网络模型的pytorch详细实现代码
06-09
在PyTorch中实现基础神经网络模型涉及到许多关键概念和技术，包括张量操作、...此外，`nn-concise-pytorch--master`这个文件名可能对应一个包含简洁PyTorch神经网络实现的项目，你可以参考该项目中的代码来加深理解。
Python-SampleRNN的PyTorch实例
08-12
PyTorch implementation of SampleRNN: An Unconditional End-to-End Neural Audio Generation Model
pytorch简单示例
summerriver1的博客
04-13 311
pytorch简单示例
PyTorch 代码流程（简单例子）
Treasure Ashes
07-21 1037
一、模型构建 这个写成了类，一般要继承torch.nn.Module来定义网络结构，然后再通过forward()定义前向过程。 下面以一个很简单的两层全连接网络为例： # net class net(nn.Module): def __init__(self): super(net, self).__init__() self.fc1 = nn.Linear(50, 50) self.fc2 = nn.Linear(50, 10) def forward(self,
利用pytorch实现Linear regresssion
张帅影&RS&DeepLearning
03-18 238
利用pytorch实现Linear regresssion什么是线性拟合？代码实现输出结果 什么是线性拟合？ 拟合就是为了找到那条,对所有点来说,残差平方和最小的直线,线性回归也是。 回归是国外的讲法叫regression,命名的统计学家是想说,这些点都围绕在一条看不见的直线,直线周围的点若偏离的大了感觉就有回归直线,向直线靠拢的趋势。 代码实现 import torch import torch.nn as nn import numpy as np import matplotlib.pyplot as
pytorch代码示例笔记 -- Autograd
风中尘埃的博客
12-30 407
这篇博文是我记录学习pytorch的一些代码例子，我会时不时来看这些代码加深学习 例子来自https://pytorch.org/tutorials/beginner/pytorch_with_examples.html import torch import math dtype = torch.float device = torch.device("cpu") x = torch.linspace(-math.pi, math.pi, 2000, dt
pytorch的一些例子
Jason__sz的博客
01-31 2602
整理几个pytorch的简单例子，详见: Learning Pytorch with Examples. 一、构造一个简单的两层神经网络，并使用随机生成的数据训练参数： import torch from torch.autograd import Variable # 构造一个两层的神经网络 class TwoLayerNet(torch.nn.Module): def _
PyTorch常用函数详解(附代码示例)
pi_kaqiu的博客
04-12 1699
1.torch.matmul() 全称为Matrix multiply，可将矩/矩、向/向、矩/向相乘（实际操作对象为tensor）。 (1)输入二维和一维时，为矩阵向量乘法，在维度不匹配时，可自动将向量转置，且计算后会重新转置回去： 行向量（即一维tensor）乘矩阵 矩阵乘行向量(实际过程为先转置进行计算，计算后再将结果转置回去) 矩阵乘列向量（属于二维tensor）（底层原理上实际为矩阵与2x1矩阵） 列向量乘矩阵（实际为两矩阵相乘，所以matmul()不会将其转置） .
【pytorch】常用代码
weixin_46267823的博客
02-25 2895
好奇心机制的编码器模型return y好奇心机制的正向模型return y好奇心机制的DQN模型return y总结就是，自定义模块总要部分在于__init__()方法与forward()方法return y。
pytorch 线性回归代码
最新发布
09-15
PyTorch是一个强大的深度学习框架，线性回归是机器学习中最基础的模型之一。下面是一个简单的例子，展示如何在PyTorch中实现线性回归： ```python import torch from torch import nn # 定义模型 (只包含一个线性层) class LinearRegressionModel(nn.Module): def __init__(self, input_dim): super(LinearRegressionModel, self).__init__() self.linear = nn.Linear(input_dim, 1) # 输入维度到单个输出的线性层 def forward(self, x): return self.linear(x) # 初始化模型和优化器 input_dim = 10 # 假设输入特征有10维 model = LinearRegressionModel(input_dim) learning_rate = 0.01 optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate) # 假设我们有一个训练数据集 X_train 和对应的标签 y_train X_train = torch.randn(100, input_dim) # 随机生成100个样本 y_train = torch.randn(100, 1) # 目标值也是随机的，假设是一维的 # 定义损失函数 (均方误差) criterion = nn.MSELoss() for epoch in range(500): # 迭代次数 # 前向传播 predictions = model(X_train) # 计算损失 loss = criterion(predictions, y_train) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() if (epoch + 1) % 100 == 0: print(f"Epoch {epoch+1}, Loss: {loss.item():.4f}")
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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