PyTorch 深度学习实践 第5讲 用pytorch实现线性回归

 B站--刘二大人《PyTorch深度学习实践》完结合集    05.用pytorch实现线性回归

 链接：网盘          提取码：cxe4

目录

1.prepare dataset

2.design model using class

3.construct loss and optimizer

4.training cycle

---

1.prepare dataset

用mini-batch构建数据集，x,y必须是矩阵

 

 

x_data = torch.tensor([[1.0], [2.0], [3.0]])
y_data = torch.tensor([[2.0], [4.0], [6.0]])

2.design model using class

计算 y^

构建module   重点在于构建计算图

•  如果loss后是个向量，没办法进行backward

class LinearModel(torch.nn.Module):    #定义模型（基本模板）
                                       #继承module


    def __init__(self):        #构造函数
        super(LinearModel, self).__init__()         # 调用父类的构造（类名，self）
        self.linear = torch.nn.Linear(1, 1)        	#  torch.nn.Linear   pytorch中的一个类
                                   #  torch.nn.Linear(1, 1)  类（）-》构建对象（权重，偏置）
                                   #  torch.nn.Linear（in_features,out_feasures,bias=true）  

     def forward(self, x):   #定义前向传播                                  
        y_pred = self.linear(x)    # linear(x)可调用对象 linear(x), __call__函数
        return y_pred

model = LinearModel()                # model也是一个可调用对象    


#module中一定有-init-，forward模块
#module自动实现反向传播过程
#可以用module实现已经存在的函数

#可以用functions构建自己的计算函数，但是需要设计反向传播函数

3.congoujianstruct loss and optimizer

构建损失函数

只要构建计算图，就是继承自module

将矩阵中的数值相加，最后形成一个数值，即为loss

criterion=torch.nn.MSELoss(size_average=False)
                                  #需要的参数（y`^,y）
          # MSELoss类继承自Module，可以通过torch.nn.MSELoss进行调用，pytorch提供的MSE损失函数。

optimizer=torch.optim.SGD(model.parameters(),lr=0.01)
                                  # 优化器，不会构建计算图
                             #parameters  继承自model  告诉优化器哪些参数需要进行随机梯度下降

 

4.training cycle

for epoch in range(100):
    y_pred=model(x_data)      #x_data传进y_pred
    loss=criterion(y_pred,y_data)
    print(epoch, loss)

    optmizer.zero_grad()      #梯度归零，计算backward（梯度）
    loss.backward()
    optimizer.step()          #梯度更新






# 打印出最终的权重和偏置值
#output weight and bias
print('w = ', model.linear.weight.item())  #,,,item(),不加item()，打印的将会是矩阵
print('b = ', model.linear.bias.item())
 
#测试模型
#test model 
x_test = torch.tensor([4.0])
y_test = model(x_test)
print('y_pred = ', y_test.data)

5.本节整体代码

import torch
 
#1.准备数据
x_data = torch.tensor([[1.0], [2.0], [3.0]])
y_data = torch.tensor([[2.0], [4.0], [6.0]])
 

#2.设计模型 
class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)
 
    def forward(self, x):       
        y_pred = self.linear(x)
        return y_pred 
model = LinearModel()


#3.设计loss和优化器
criterion = torch.nn.MSELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
 
# 4.训练
for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())
 
    optimizer.zero_grad()
    print(loss)
    loss.backward()
    optimizer.step()
 
print('w = ', model.linear.weight.item())
print('b = ', model.linear.bias.item())
 
x_test = torch.tensor([4.0])
y_test = model(x_test)
print('y_pred = ', y_test.data)
 

课后作业

换一下优化器

 

参考链接：pytorch 深度学习实践 第5讲 pytorch实现线性回归_self.linear_会游泳的小雁的博客-CSDN博客