PyTorch深度学习实践
CheneyTAT
这个作者很懒,什么都没留下…
展开
-
PyTorch深度学习实战——多分类问题
import torchfrom torchvision import transformsfrom torchvision import datasetsfrom torch.utils.data import DataLoaderimport torch.nn.functional as Fimport torch.optim as optimbatch_size = 64transforms = transforms.Compose([ transforms.ToTensor.原创 2022-04-10 10:16:03 · 515 阅读 · 0 评论 -
PyTorch深度学习实践——加载数据集
import numpy as npimport torchfrom torch.utils.data import Dataset # Dataset是一个抽象类,不能实例化,只能被其他的子类继承from torch.utils.data import DataLoaderclass DiabetesDataset(Dataset): # 这个类继承自Dataset def __init__(self, filepath): # filepath是文件路径 xy.原创 2022-04-09 17:04:34 · 704 阅读 · 0 评论 -
PyTorch深度学习实践——处理多维特征的输入
import torchimport numpy as npxy = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32) # 括号内第一个为文件名,第二个为分隔符,第三个为指定数据类型x_data = torch.from_numpy(xy[:, :-1]) # 最后一列不要(-1表示最后一列),取前面八列(最后一列是y)y_data = torch.from_numpy(xy[:, [-1]]) # 中括号表示仅取-1这.原创 2022-04-04 17:57:23 · 2080 阅读 · 0 评论 -
PyTorch深度学习实践——用PyTorch实现线性回归
总体分为四个步骤:准备数据集、设计模型(通过前馈和反馈函数计算y^,直接从nn.module中继承)、构造损失函数和优化器(使用PyTorch应用接口)、训练周期(一个周期包含前馈、反馈、更新)执行代码如下:import torchx_data = torch.Tensor([[1.0], [2.0], [3.0]]) # x_data为3*1的矩阵y_data = torch.Tensor([[2.0], [4.0], [6.0]])# 使用mini-batch封装数据,x和y的值原创 2022-04-01 16:12:06 · 898 阅读 · 0 评论 -
PyThorch深度学习实践——反向传播算法
例题代码如下:(反向传播可以使计算更为简便)import torchx_data = [1.0, 2.0, 3.0]y_data = [2.0, 4.0, 6.0]w = torch.Tensor([1.0]) # 创建一个Tensor变量w.requires_grad = True # 指需要计算梯度(默认的Tensor不计算梯度)def forward(x): return x * w # x与Tensor的数乘,x会被自动转换为Tensor类型def los原创 2022-03-31 20:58:34 · 418 阅读 · 0 评论 -
PyTorch深度学习实践——梯度下降算法
梯度下降算法代码如下:(增加绘图代码)import matplotlib.pyplot as pltx_data = [1.0, 2.0, 3.0]y_data = [2.0, 4.0, 6.0]w = 1.0 # 设置初始权重def forward(x): # 定义前馈函数 return x * wdef cost(xs, ys): # 定义损失函数 cost = 0 for x, y in zip(xs, ys): y_pred原创 2022-03-30 16:17:53 · 1654 阅读 · 0 评论 -
PyTorch深度学习实践——线性模型
线性模型:随机选取权重w后评估该模型的效果,通过穷举法选出最佳的w评估模型:损失函数:计算损失函数的平均值,最终使平均损失最小平均平方误差(MSE):例题:,使用线性模型做出预测。代码如下:# 穷举法import numpy as npimport matplotlib.pyplot as plt # 绘图包x_data = [1.0, 2.0, 3.0] # 数据集保存,x和y需分开,x为输入,y为输出y_data = [2.0, 4.0, 6.0]d原创 2022-03-23 17:53:49 · 1786 阅读 · 0 评论