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。
4.1节中介绍了全手工进行模型构建与训练的过程,因为一元线性回归模型只涉及2个参数w,b,所以写起来倒也不费劲,但真实业务场景中自然会复杂很多,可能会涉及百万的参数量,因此手工求每个参数的梯度简直难以想象。
不用担心,pytorch提供了自动反向计算的机制,一行代码搞定你的烦恼。
还是按照原来的步骤,先进行前向计算:
import torch
# 构建模型函数
def model(x, w, b):
return w*x + b
# 构建损失函数
def loss_fn(y_p, y):
squared_diffs = (y_p - y) ** 2
return squared_diffs.mean()
# x与y
x = [0.5, 14.0,