PyTorch 深度学习实践（4）构建线性回归模型

b站视频链接https://www.bilibili.com/video/BV1Y7411d7Ys?p=5

利用pytorch进行深度学习分为以下4个步骤

准备数据集（用dataloader和dataset）
设计模型（设计 计算图）
构建损失函数和优化器（也就是loss函数和optimizer）
开始循环训练（前馈算损失，反馈算梯度，更新权重）

广播机制

关于Linear类的介绍

非常好理解

有关python魔法函数的介绍

https://blog.csdn.net/u012609509/article/details/78557650
https://blog.csdn.net/qq_40522828/article/details/89682452
https://zhuanlan.zhihu.com/p/57656253

代码：

import torch
import matplotlib.pyplot as plt# prepare dataset
# x,y是矩阵，3行1列 也就是说总共有3个数据，每个数据只有1个特征
# 行是数据数量，列是数据feature
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[2.0], [4.0], [6.0]])#画图
epoch_list=[]
loss_list=[]
# design model using class
"""
关于torch.nn.Module的介绍
实现了__call__()函数，call中又有forward函数
our model class should be inherit from nn.Module, which is base class for all neural network modules.
member methods __init__() and forward() have to be implemented
class nn.linear contain two member Tensors: weight and bias
class nn.Linear has implemented the magic method __call__(),which enable the instance of the class can
be called just like a function.Normally the forward() will be called 官网文档
https://pytorch.org/docs/1.7.0/generated/torch.nn.Linear.html#torch.nn.Linear
"""class LinearModel(torch.nn.Module):def __init__(self):super(LinearModel, self).__init__()# (1,1)是指输入x和输出y的特征维度，这里数据集中的x和y的特征都是1维的# 该线性层需要学习的参数是w和b  获取w/b的方式分别是~linear.weight/linear.biasself.linear = torch.nn.Linear(1, 1)# override了Module中的forward方法，必须重写def forward(self, x):# 这里linear因为实现了__call__函数，call函数调用了forward函数，所以我们直接用即可y_pred = self.linear(x) #计算y=wx+breturn y_predmodel = LinearModel()# construct loss and optimizer
# criterion = torch.nn.MSELoss(size_average = False)
criterion = torch.nn.MSELoss(reduction='sum')
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # model.parameters()自动完成参数的初始化操作
# model.parameters()可以自动找到参数w和b（所有参数），并且计算梯度
# 这里的 SGD是批量梯度下降，因为3个数据是一个batch
# 不要见到SGD就是随机梯度下降
# Adagrad Adam adamax ASGD RMSprop Rprop SGD七种优化器可以代替SGD，效果都不一样
# training cycle forward, backward, update
for epoch in range(100):y_pred = model(x_data)  # forward:predict，这句话实现了前向传播loss = criterion(y_pred, y_data)  # forward: lossprint(epoch, loss.item())# 画图epoch_list.append(epoch)loss_list.append(loss.item())optimizer.zero_grad()  # 必须先清0，再backwards，与之前的代码不一样loss.backward()  # backward: autograd，自动计算梯度optimizer.step()  # update 参数，即更新w和b的值，也就是w=w-α*gradprint('w = ', model.linear.weight.item())
print('b = ', model.linear.bias.item())x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print('y_pred = ', y_test.data)# 总结：pytorch实现线性回归分为4个步骤
# 1、prepare dataset
#
# 2、design model using Class  # 目的是为了前向传播forward，即计算y hat(预测值)
#
# 3、Construct loss and optimizer (using PyTorch API) 其中，计算loss是为了进行反向传播，optimizer是为了更新梯度。
#
# 4、Training cycle (forward,backward,update)# 画图
plt.plot(epoch_list,loss_list)
plt.xlabel("epoch")
plt.ylabel("loss")
plt.show()

纯净版代码

import torch
import matplotlib.pyplot as pltx_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[2.0], [4.0], [6.0]])epoch_list=[]
loss_list=[]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_predmodel = LinearModel()
criterion = torch.nn.MSELoss(reduction='sum')
optimizer = torch.optim.SGD(model.parameters(), lr=0.01) for epoch in range(100):y_pred = model(x_data)  loss = criterion(y_pred, y_data) print(epoch, loss.item())epoch_list.append(epoch)loss_list.append(loss.item())optimizer.zero_grad() loss.backward()  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_pred = ', y_test.data)
plt.plot(epoch_list,loss_list)
plt.xlabel("epoch")
plt.ylabel("loss")
plt.show()

PyTorch 深度学习实践（4）构建线性回归模型相关推荐

《PyTorch深度学习实践》-P5线性回归
构造神经网络一般步骤: 1prepare dataset 2design model using Class (计算y_hat) 3consturct loss and optimizer (usin ...
PyTorch深度学习实践
根据学习情况随时更新. 2020.08.14更新完成. 参考课程-刘二大人<PyTorch深度学习实践> 文章目录 (一)课程概述 (二)线性模型 (三)梯度下降算法 (四)反向传播 (五 ...
【Pytorch深度学习实践】B站up刘二大人课程笔记——目录与索引（已完结）
从有代码的课程开始讨论 [Pytorch深度学习实践]B站up刘二大人之LinearModel -代码理解与实现(1/9) [Pytorch深度学习实践]B站up刘二大人之 Gradient Desc ...
《PyTorch深度学习实践》
[<PyTorch深度学习实践>完结合集] https://www.bilibili.com/video/BV1Y7411d7Ys/?share_source=copy_web&v ...
【刘二大人】PyTorch深度学习实践
文章目录一.overview 1 机器学习二.Linear_Model(线性模型) 1 例子引入三.Gradient_Descent(梯度下降法) 1 梯度下降 2 梯度下降与随机梯度下降(SG ...
【PyTorch】PyTorch深度学习实践|视频学习笔记|P6-P9
PyTorch深度学习实践逻辑斯蒂回归及实现背景与概念基于分类问题中属性是类别性的,所以不能采取基于序数的线性回归模型,而提出了新的分类模型--逻辑斯蒂回归模型,输出每个样本在各个预测值上的概率 ...
《PyTorch深度学习实践》06 逻辑斯蒂回归代码
视频:06.逻辑斯蒂回归_哔哩哔哩_bilibili 参考文章:pytorch 深度学习实践第6讲逻辑斯蒂回归_会游泳的小雁的博客-CSDN博客网络模型的基本框架 1步骤: 1.Prepare ...
笔记|（b站）刘二大人：pytorch深度学习实践（代码详细笔记，适合零基础）
pytorch深度学习实践笔记中的代码是根据b站刘二大人的课程所做的笔记,代码每一行都有注释方便理解,可以配套刘二大人视频一同使用. 用PyTorch实现线性回归 # 1.算预测值 # 2.算los ...
PyTorch深度学习实践——对维度的认识
输入输出维度在本节的博客中将整理对于输入输出维度的相关认识,总结如下: 在之前发布的博客<PyTorch深度学习实践--反向传播>中谈到了自己对于一个模型输入的维度认识:不同的维度类似于 ...
《PyTorch 深度学习实践》第10讲卷积神经网络（基础篇）
文章目录 1 卷积层 1.1 torch.nn.Conv2d相关参数 1.2 填充:padding 1.3 步长:stride 2 最大池化层 3 手写数字识别该专栏内容为对该视频的学习记录:[&l ...

PyTorch 深度学习实践（4）构建线性回归模型

关于Linear类的介绍

有关python魔法函数的介绍

PyTorch 深度学习实践（4）构建线性回归模型相关推荐

最新文章

热门文章

PyTorch 深度学习实践 （4）构建线性回归模型

关于Linear类的介绍

有关python魔法函数的介绍

PyTorch 深度学习实践 （4）构建线性回归模型相关推荐

最新文章

热门文章

PyTorch 深度学习实践（4）构建线性回归模型

PyTorch 深度学习实践（4）构建线性回归模型相关推荐