PyTorch基础（三）回归与分类

昨天终于把毕业论文的所有事情都完成了，之前学的一些深度学习知识有些又不记得了，一点点的复习，不过，复习起来还是比较容易的的，看一遍书，大致又都记起来了。学到了卷积神经网络，先利用pytorch搭建简单模型，然后再想着利用pytorch搭建别人的网络模型。

搭建模型的步骤

• 准备数据集
• 设计模型，计算y_hat，同时构造计算图
• 构建loss
• 构建优化器
• 训练更新

线性回归问题

import torch

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


#设计模型 计算y_hat  构造计算图
#必须要实现__init__() 和forward()函数
class LinearModel(torch.nn.Module):
    def __init__(self):
        #just do it
        super(LinearModel,self).__init__()

        #构造自己的模型  输入1维 输出1维  y = ax+b
        # 参数： in_features: int, out_features: int, bias: bool = True
        self.linear = torch.nn.Linear(1,1)

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

#实例化线性模型
model = LinearModel()

#构建loss和优化器 optimizer
criterion = torch.nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)


for epoch in range(10000):

    y_pre = model(x_data)
    loss = criterion(y_pre,y_data)
    print(epoch,loss.item())

    #优化器梯度清零
    optimizer.zero_grad()

    #反向传播
    loss.backward()

    #更新参数
    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_pre=',y_test.data)

logistic回归问题（分类）

import torch
import torch.nn.functional as F

#准备数据集
x_data = torch.tensor([[1.0],[2.0],[3.0]])
y_data = torch.tensor([[0.0],[0.0],[1.0]])

#构建模型
class LogisticRegression(torch.nn.Module):
    def __init__(self):
        super(LogisticRegression,self).__init__()
        self.linear = torch.nn.Linear(1,1)


    def forward(self,x):
        y_pre = F.sigmoid(self.linear(x))
        return y_pre

#实例化模型
model = LogisticRegression()

#构建损失器
criterion = torch.nn.BCELoss()

#构建优化器

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

for epoch in range(10000):
    y_pre = model(x_data)
    loss = criterion(y_pre,y_data)
    print(epoch,loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

x_test = torch.tensor([[4.0]])
y_test = model(x_test)
print('y_pre=',y_test.data)

从这两个案例中可以看出，区别在于模型的构建和损失函数的构建不一样，其他地方基本一致。利用这两个小栗子，熟悉pytorch搭建模型的步骤，以便于以后学习搭建更深层次的模型。