欢迎订阅本专栏:《PyTorch深度学习实践》
订阅地址:https://blog.csdn.net/sinat_33761963/category_9720080.html
- 第二章:认识Tensor的类型、创建、存储、api等,打好Tensor的基础,是进行PyTorch深度学习实践的重中之重的基础。
- 第三章:学习PyTorch如何读入各种外部数据
- 第四章:利用PyTorch从头到尾创建、训练、评估一个模型,理解与熟悉PyTorch实现模型的每个步骤,用到的模块与方法。
- 第五章:学习如何利用PyTorch提供的3种方法去创建各种模型结构。
- 第六章:利用PyTorch实现简单与经典的模型全过程:简单二分类、手写字体识别、词向量的实现、自编码器实现。
- 第七章利用PyTorch实现复杂模型:翻译机(nlp领域)、生成对抗网络(GAN)、强化学习(RL)、风格迁移(cv领域)。
- 第八章:PyTorch的其他高级用法:模型在不同框架之间的迁移、可视化、多个GPU并行计算。
pytorch提供了很多高效的模块与函数能帮助我们迅速建模与训练,在介绍这些工具之前,有必要纯手工地来过一遍构建并训练模型的整个过程,从而清楚理解其内部逻辑和含义,绝不做一个单纯“调包侠”。
本节将构建一个一元线性回归模型,并利用梯度下降来估计参数。来看看具体怎么做吧~
4.1.1 前向计算
准备数据
一元线性回归模型是由自变量x,应变量y,参数w,b组成,因此我们先构造一组x,y的数据,假设它们是真实世界的数据,现在要通过这组数据去求得w,b参数的值,使得能通过x更贴切地预测y。
import torch
x = [0.5, 14.0, 15.0, 28.0, 11.0, 8.0, 3.0, -4.0, 6.0, 13.0, 21.0]
y = [35.7, 55.9, 58.2, 81.9, 56.3, 48.9, 33.9, 21.8, 48.4, 60.4, 68.4]
x = torch.tensor(x)
y = torch.tensor(y)
构建模型
一元线性模型方程为