pytorch基础学习三

torch基础学习三

 

In [1]:

# eg:线性回归

import numpy as np
import torch
import torch.nn as nn
class LinearRegressionModel(nn.Module):
    """
    // 线性回归模型
    // 其实线性回归就是一个不加激活函数的连接层
    """
    def __init__(self, input_dim, putput_dim):
        super(LinearRegressionModel, self).__init__()
        self.linear  = nn.Linear(input_dim, putput_dim)

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

# 构造一组数据X和其对应的标签Y
x_values = [i for i in range(11)]
x_train = np.array(x_values, dtype=np.float32)

# 转换成矩阵
x_train = x_train.reshape(-1, 1)

y_values = [2*i + 1 for i in x_train]
y_train = np.array(y_values, dtype=np.float32)



input_dim = 1
output_dim = 1
model = LinearRegressionModel(input_dim, output_dim)
# model

# 指定好参数和损失函数
# 指定好参数和损失函数
epochs = 1000
learning_rate = 0.01
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
criterion = nn.MSELoss()

# 训练函数
for epoch in range(epochs):
    epoch += 1
    # 注意转行成tensor
    inputs = torch.from_numpy(x_train)
    lables = torch.from_numpy(y_train)

    # 梯度清零每次迭代
    optimizer.zero_grad()
     # 向前传播
    outputs = model(inputs)

    # 计算损失率
    loss =criterion(outputs, lables)

    # 反向传播
    loss.backward()

    # 更新权重
    optimizer.step()

    if epoch % 50 == 0:
        print("迭代次数：",epoch ,"损失率：", loss.item())

 

 

迭代次数： 50 损失率： 0.06982214003801346
迭代次数： 100 损失率： 0.03982393443584442
迭代次数： 150 损失率： 0.02271413989365101
迭代次数： 200 损失率： 0.012955266050994396
迭代次数： 250 损失率： 0.007389168255031109
迭代次数： 300 损失率： 0.004214527551084757
迭代次数： 350 损失率： 0.002403814345598221
迭代次数： 400 损失率： 0.0013710411731153727
迭代次数： 450 损失率： 0.000782000133767724
迭代次数： 500 损失率： 0.00044601960689760745
迭代次数： 550 损失率： 0.0002543936425354332
迭代次数： 600 损失率： 0.0001450968557037413
迭代次数： 650 损失率： 8.275517757283524e-05
迭代次数： 700 损失率： 4.7198649554047734e-05
迭代次数： 750 损失率： 2.6921472453977913e-05
迭代次数： 800 损失率： 1.5357030861196108e-05
迭代次数： 850 损失率： 8.758789590501692e-06
迭代次数： 900 损失率： 4.9950144784816075e-06
迭代次数： 950 损失率： 2.8487954750744393e-06
迭代次数： 1000 损失率： 1.625527033866092e-06

 

In [2]:

# 测试模型预测结果
predicted = model(torch.from_numpy(x_train).requires_grad_()).data.numpy()
predicted

 

Out[2]:

array([[ 0.99762845],
       [ 2.99797   ],
       [ 4.998312  ],
       [ 6.9986534 ],
       [ 8.998995  ],
       [10.999336  ],
       [12.999679  ],
       [15.00002   ],
       [17.000362  ],
       [19.000704  ],
       [21.001045  ]], dtype=float32)