卷积神经网络05（使用Pytorch构建模型）

步骤：
第一步
准备数据集

2 设计模型

3 使用自带的函数进行优化

4 训练的周期

minibatch








继承model

这里没有出现backward，是因为model中自带的有，假如自己所需要的没有，可以自己定义（使用pytorch）简单的运算可以实现的，或者你有比较好的计算方法，也可以使用fuction来继承，也是可以的。

你可能会问torch.nn.Linear(1,1)是什么意思？

不管怎么组合，目的都是为了拼出需要的维度

# 假如不知道应该输入多少个变量，可以通过定义可变函数进行，**可以将传入进来的转换成词典
def fun(*args,**kwargs):
    print(args)
    print(kwargs)

fun(1,2,3,4,x=3,y = 6)

(1, 2, 3, 4)
{‘x’: 3, ‘y’: 6}
criterion = torch.nn.MSELoss(size_average=False)

criterion需要y和y hat就可求出损失
False不会进行均值计算

optimizer = torch.optim.SGD(model.parameters(),lr = 0.01)
torch.optim.SGD是一个类
parameters会检查需要进行优化的变量
model.parameters()这个就可以直接找到
lr学习率固定（也可以在不同地方使用不同的学习率）
于是就可以得到优化器，它知道对哪些权重权重做优化
然后进行计算

然后backward进行反向传播
最后进行step，做更新

import torch
import numpy as np
import matplotlib.pyplot as plt

# 1 数据准备，使用torch。tensor进行
x_data = torch.tensor([[1.0],[2.0],[3.0]])
y_data = torch.tensor([[2.0],[4.0],[6.0]])

# 2 解释：定义一个类，继承Module，然后进行初始化操作
class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel,self).__init__()
        self.linear = torch.nn.Linear(1,1)   #  self.linear = torch.nn.Linear(1,1)  定义一个可变长的，只用输入输入和输出即可

    def forward(self,x):
        y_pred = self.linear(x)
        return y_pred

model = LinearModel() # 创建一个类LinearModel


criterion = torch.nn.MSELoss(size_average=False)

optimizer = torch.optim.SGD(model.parameters(),lr = 0.01)

for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred,y_data)
    print(epoch,loss) # 可以看到这里出现直接可以打印的loss.那是因为在内部调用了__str__，实现的打印

    optimizer.zero_grad() # 涉及到权重的计算需要清零
    loss.backward() # 进行反向传播
    optimizer.step() # 进行更新

# output weight and bias
print('w = ',model.linear.weight.item())
print('b = ',model.linear.bias.item())

# test model
x_test = torch.tensor([[4.0]]) # 1 * 1的矩阵
y_test = model(x_test)
print('y_pred',y_test.data)

以上就是所有的运行代码，结果如下

但是出现了一个问题

可能是函数已经更新了，按照提示进行修改，发现问题解决。
修改如下

# criterion = torch.nn.MSELoss(size_average=False)  # 使用size_average出现一个userwarning，please use reduction='sum' instead. 按照提示修改如下
criterion = torch.nn.MSELoss(reduction='sum')  # 应该是函数已经更新了

警告问题消失
最后总结：

前面123步是为第4步进行准备
其他的梯度下降函数

参考文档
pytorch官方文档