PyTorch深度学习入门 || 系列（二）

0 写在前面

• 考虑到之前用于训练的数据都是小样本的，比如说PyTorch深度学习入门 || 系列（一）中的输入就只有五组数据，然后我们将这五个数据作为一次输入，全部喂给模型。这种方法是快速的。
• 但是本文主要围绕使用大规模数据进行线性回归实验！
• 如果您觉得本篇文章对您有帮助的话，感谢点赞+收藏+关注我噢！

1 随机生成大规模数据

1. 首先使用linspace()函数在[-3,3）区间内划分出100000个点。作为input
2. 然后对于y来说，为了使得数据更加符合线性分布且更加真实，在x的基础上增加了一些误差。使用rand()函数生成一组在[0,1)区间内均匀分布的随机数（数量=x.size），然后乘以1.2。作为output

• 数据输出情况如下：
• 代码如下，代码可以直接运行：

import torch
import matplotlib.pyplot as plt


def Produce_X(x):
    x0 = torch.ones(x.numpy().size)
    X = torch.stack((x, x0), dim=1)
    return X


x = torch.linspace(-3, 3, 100000)
X = Produce_X(x)
y = x + 1.2 * torch.rand(x.size())
w = torch.rand(2)

plt.scatter(x.numpy(), y.numpy(), s=0.001)
plt.show()

2 使用cuda加速

• 默认是支持CUDA的平台，采用GPU进行加速运算。

inputs = X.cuda()
target = y.cuda()
w = w.cuda()
w.requires_grad=True

注意：如果没有cuda的话，直接把上面代码中的.cuda()去掉就好了！

3 定义draw()函数

• 注意：在使用了CUDA()加速之后，在draw()函数的output需要还原成CPU类型的数据才能进行绘图
• .data返回的是一个Tensor，要output.data.numpy()
• .item返回的是一个值，适合返回 loss，accuracy

def draw(output, loss):
    output = output.cpu()
    plt.cla()  # 清空画布
    plt.scatter(x.numpy(), y.numpy())
    plt.plot(x.numpy(), output.data.numpy(), 'r-', lw=5)
    plt.text(0.5, 0, 'Loss=%s' % (loss.item()), fontdict={'size':20, 'color':'red'})
    plt.show()

4 定义train()函数

• .sum()函数：返回Tensor所有元素之和

def train(epochs=1, learning_rate=0.01):
    for epoch in range(epochs):
        output = inputs.mv(w)  # 矩阵和向量相乘
        loss = (output - target).pow(2).sum()/100000
        loss.backward()  # 调用之后才会有w.grad的值
        w.data -= learning_rate * w.grad
        w.grad.zero_()
        
        if epoch % 80 == 0:
            draw(output, loss)
            
    return w, loss

5 主函数模块内容

start = perf_counter()
w, loss = train(10000, learning_rate=1e-4)
finish = perf_counter()
time = finish - start

print("计算时间:  %s" % time)
print("final loss: ", loss.item())
print("weights:", w.data)

6 完整代码

• 此段代码可以直接运行，考虑到效率，我传入的是train(100, learning_rate=1e-4)

import torch
import matplotlib.pyplot as plt
from time import perf_counter

def Produce_X(x):
    x0 = torch.ones(x.numpy().size)
    X = torch.stack((x, x0), dim=1)
    return X


x = torch.linspace(-3, 3, 100000)
X = Produce_X(x)
y = x + 1.2 * torch.rand(x.size())
w = torch.rand(2)

plt.scatter(x.numpy(), y.numpy(), s=0.001)
plt.show()

inputs = X.cuda()
target = y.cuda()
w = w.cuda()
w.requires_grad=True


def draw(output, loss):
    output = output.cpu()
    plt.cla()
    plt.scatter(x.numpy(), y.numpy())
    plt.plot(x.numpy(), output.data.numpy(), 'r-', lw=5)
    plt.text(0.5, 0, 'Loss=%s' % (loss.item()), fontdict={'size':20, 'color':'red'})
    plt.show()


def train(epochs=1, learning_rate=0.01):
    for epoch in range(epochs):
        output = inputs.mv(w)  # 矩阵和向量相乘
        loss = (output - target).pow(2).sum()/100000
        loss.backward()  # 调用之后才会有w.grad的值
        w.data -= learning_rate * w.grad
        w.grad.zero_()

        if epoch % 80 == 0:
            draw(output, loss)

    return w, loss


start = perf_counter()
w, loss = train(100, learning_rate=1e-4)
finish = perf_counter()
time = finish - start

print("计算时间:  %s" % time)
print("final loss: ", loss.item())
print("weights:", w.data)

• 输出
•