Pytorch使用Pytorch简单实现一个线性模型

Posted 2022-10-04 海轰Pro

目录

• 简介
• 前言
• 例子1：线性模型
• 参考资料
• 结语

简介

Hello！
非常感谢您阅读海轰的文章，倘若文中有错误的地方，欢迎您指出～
 
ଘ(੭ˊᵕˋ)੭
昵称：海轰
标签：程序猿｜C++选手｜学生
简介：因C语言结识编程，随后转入计算机专业，获得过国家奖学金，有幸在竞赛中拿过一些国奖、省奖…已保研
学习经验：扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语！
 
唯有努力💪
 
本文仅记录自己感兴趣的内容

前言

通过一下小例子，梳理一下Pytorch中模型的搭建、训练、测试等…

加深理解

例子1：线性模型

模型 $y=2\ast x$

设置的时候 就设置为$y=w\ast x$

简单一点 便与理解

import torch

# 自定义一个Pytorch线性模型的类
class LinerModel(torch.nn.Module):
    def __init__(self):
        # super 父类，调用父类的构造，这一步必须有
        # 第一个参数为定义类的名称，第二个为self
        super(LinerModel, self).__init__()
        '''构造一个对象，包含了权重与偏置Tensor
        Linear是属于Module的，因此可以自动实现前馈和反馈的计算
        nn：neural network的简写'''
        self.linear = torch.nn.Linear(1, 1)

    def forward(self, x):
        # 实际上是类的重写，该函数实际上已经在里面被写入了，这里需要重写一下
        # 当类中有"__call__"时才可调用
        y_pred = self.linear(x)  # 实现一个可调用的对象
        return y_pred


def train(times, lr):
    # 实例化类 ，该类为callable
    model = LinerModel()  # 是一个含有"__call__"的类，因此可以直接调用
    # model(x) # x 就会送入至forward的函数里，然后对x进行计算
    # 需要的数据是"\\hat y" 与"y"
    criterion = torch.nn.MSELoss(size_average=False)
    # 构建优化器
    optimizer = torch.optim.SGD(model.parameters(), lr=lr)

    aa = []
    for epoch in range(times):
        # 前馈计算出 \\hat y，即y_pred
        y_pred = model(x_data)
        # 前馈计算出 loss
        loss = criterion(y_pred, y_data)
        aa.append(loss.data.item())
        # 查看损失，loss输出的时候回自动变为标量
        # print(epoch,loss.data.item())
        # 所有的梯度归零
        optimizer.zero_grad()
        # 反馈，方向传播
        loss.backward()
        # 更新，根据所有参数和学习率来更新
        optimizer.step()

    # 输出权重(weight)和偏置(bias)
    print(f"w=model.linear.weight.item()")
    print(f"b=model.linear.bias.item()")

    # 测试模型(Test Model)
    x_test = torch.Tensor([[4]])
    y_test = model(x_test)
    print(f"y_pred=y_test.data")

    return aa

if __name__ == '__main__':
    name = ["SGD"]
    # Pytorch中的数据等均为Tensor变量，即矩阵
    x_data = torch.Tensor([[1],[2],[3]]) # 相当于一个numpy.array
    y_data = torch.Tensor([[2],[4],[6]])
    # 训练200次 学习率：0.01 
    print(train(200,0.01))
    print("执行结束")

参考：https://blog.csdn.net/qq_44285092/article/details/108047578

---

Note

optimizer.zero_grad()的作用：

参考：https://blog.csdn.net/bigbigvegetable/article/details/114674793

参考资料

• https://blog.csdn.net/qq_44285092/article/details/108047578
• https://blog.csdn.net/bigbigvegetable/article/details/114674793

结语

文章仅作为个人学习笔记记录，记录从0到1的一个过程

希望对您有一点点帮助，如有错误欢迎小伙伴指正