pytorch入门二 使用pyplot动态展示函数拟合过程

相关知识：

• 均方损失函数：

这里 loss, x, y 的维度是一样的，可以是向量或者矩阵，i 是下标。

很多的 loss 函数都有 size_average 和 reduce 两个布尔类型的参数。因为一般损失函数都是直接计算 batch 的数据，因此返回的 loss 结果都是维度为 (batch_size, ) 的向量。

(1)如果 reduce = False，那么 size_average 参数失效，直接返回向量形式的 loss
(2)如果 reduce = True，那么 loss 返回的是标量
   a)如果 size_average = True，返回 loss.mean();
   b)如果 size_average = False，返回 loss.sum();

注意：默认情况下， reduce = True，size_average = True

• pytorch中model.modules()和model.children()的区别

model.modules()和model.children()均为迭代器，对于模型

model = torch.nn.Sequential(
    torch.nn.Linear(1, 5),
    torch.nn.Tanh(),
    torch.nn.Linear(5, 1),
    )

输出对比如下：

print(list(model.modules()))
print(list(model.children()))

modules()函数：

[Sequential(
  (0): Linear(in_features=1, out_features=5, bias=True)
  (1): Tanh()
  (2): Linear(in_features=5, out_features=1, bias=True)
), Linear(in_features=1, out_features=5, bias=True), Tanh(), Linear(in_features=5, out_features=1, bias=True)]

children()函数：

[Linear(in_features=1, out_features=5, bias=True), Tanh(), Linear(in_features=5, out_features=1, bias=True)]

 

• python操作符@

python 3.5以后，@是一个操作符，表示矩阵-向量乘法

• torch.t()

torch的矩阵转置函数,例如  2*3   ->  3*2

import torch
import matplotlib.pyplot as plt

w = 2
b = 1
noise = torch.rand(100, 1)
# 因为输入层格式要为(-1, 1)，所以这里将(100)的格式转成(100, 1)
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
# 拟合分布在y=2x+1上并且带有噪声的散点
y = w*x + b + noise
#自定义的网络，带有2个全连接层和一个tanh层
model = torch.nn.Sequential(
    torch.nn.Linear(1, 5),
    torch.nn.Tanh(),
    torch.nn.Linear(5, 1),
    )
# 定义损失函数为均方差
loss_fun = torch.nn.MSELoss()
# 使用adam作为优化器更新网络模型的权重，学习率为0.001
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 开启图形交互
plt.ion()
for _ in range(10000):
    ax = plt.axes()
    # 前向传播
    output = model(x)
    # 数据向后传播（经过网络层的一次计算）
    loss = loss_fun(output, y)
    # 计算损失值
    #print("before zero_grad:{}".format(list(model.children())[0].weight.grad))
    #print("-"*100)

    # 优化器清空梯度
    # 通过注释地方可以对比发现执行zero_grad方法以后倒数梯度将会被清0
    # 如果不清空梯度的话，则会不断累加梯度，从而影响到当前梯度的计算
    model.zero_grad()
    #print("after zero_grad:{}".format(list(model.children())[0].weight.grad))
    #print("-"*100)

    # 向后传播，计算当前梯度，如果这步不执行，那么优化器更新时则会找不到梯度
    loss.backward()

    #通过比较会发现，经过backward得到的梯度跟执行model.zero_grad()之前的梯度是一致的
    #print("after backward:{}".format(list(model.children())[0].weight.grad))
    #print("-" * 100)

    # 优化器更新梯度参数，如果这步不执行，那么因为梯度没有发生改变，loss会一直计算最开始的那个梯度
    optimizer.step()

    if _ % 100 == 0:
        #清屏
        plt.cla()
        #画点
        plt.scatter(x.data.numpy(), y.data.numpy())
        #画线
        plt.plot(x.data.numpy(), output.data.numpy(), 'b-', lw=2)
        #写文本
        plt.text(0.60, -0.5, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 10, 'color':  'red'})
        plt.pause(0.1)
        #t()函数是torch的矩阵转置函数，
        #python 3.5以后，@是一个操作符，表示矩阵-向量乘法， 好骚的操作
        print("w:", list(model.children())[0].weight.t() @ list(model.children())[-1].weight.t())
        # 通过这句可以查看权值变化，可以发现最后收敛到2附近

#关闭图形交互
plt.ioff()