一、数据集的预处理
x_data = torch.tensor([[1.0], [2.0], [3.0]])
y_data = torch.tensor([[2.0], [4.0], [6.0]])
使用 torch.tensor 函数对数据进行预处理。
二、线性模型的构建
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
- 用类的形式定义线性模型,继承自 torch.nn.Module。
- 构建函数使用 super 表示调用父类的构建函数。
- 线性模型使用 torch.nn.Linear,参数(1,1)表示输入维数为1, 输出维数为1。
- forword 函数为前向传播函数,命名一定为 forward, 是对父类同名函数的覆盖。
三、参数设定
- 实例化线性模型。
model = LinearModel()
- 构建损失函数。MSE为平均平方误差。size_average=False 表示最后的损失不用处以平均数M。
criterion = torch.nn.MSELoss(size_average=False)
- 优化器的设置。使用SGD的方式来求最小值,model.parameters() 表示将线性模型所需要优化参数传入,lr为学习率。
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
四、迭代求最优参数
for epoch in range(1000):
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
print(epoch, loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()
print('w =', model.linear.weight.item())
print('b =', model.linear.bias.item())
- 设置迭代的次数为1000
- 用线性model求预测值
- 求损失的值
- 每次迭代将参数的梯度值归零
- 求反向传播
- 更新参数
五、打印结果
x_test = torch.Tensor([4.0])
y_test = model(x_test)
print('y_pred', y_test.data.item())