pytorch入门一 实现简单的线性函数

api知识:

torch.unsqueeze()这个函数主要是在指定维数对数据维度进行扩充

torch.squeeze()与torch.unsqueeze()相反，删除维数为1的维度

 

import torch
import torch.nn as nn

#生成-100到100的1000个等差数列
x = torch.linspace(-100,100,1000)
#在指定位置dim=1增加维度
x = torch.unsqueeze(x,dim=1)
#定义y = 2*x + 1函数
y = 2*x + 1
#定义一个1*1的矩阵
matrix = nn.Linear(1,1)
print(matrix.weight)
#使用优化器求导更新矩阵权重
optimizer = torch.optim.Adam(matrix.parameters(),lr=0.01)

#训练次数
for _ in range(10000):
    #value是x与矩阵matrix相乘后的值
    value = matrix(x)
    #与标签y值的平均方差
    loss = torch.mean((value-y)**2)
    #把上一次的梯度值清零，否则会影响本次反向传播的梯度值
    matrix.zero_grad()
    #反向传播
    loss.backward()
    #更新权重
    optimizer.step()

    print("第{}次训练权重值为:{},损失函数为:{},偏置值为:{}".format(_,matrix.weight.detach().numpy(),loss,matrix.bias.detach().numpy()))
    #print("第{}次训练权重值为:{},损失函数为:{},偏置值为:{}".format(_, matrix.weight.numpy(), loss, matrix.bias.numpy()))

 

出现报错现象：

RuntimeError: Can't call numpy() on Variable that requires grad. Use var.detach().numpy() instead.

将PyTorch Tensor类型的变量转换成numpy时报错。

解决办法：

出现这个现象的原因是：待转换类型的PyTorch Tensor变量带有梯度，直接将其转换为numpy数据将破坏计算图，因此numpy拒绝进行数据转换，实际上这是对开发者的一种提醒。如果自己在转换数据时不需要保留梯度信息，可以在变量转换之前添加detach()调用。