《PyTorch深度学习实践》-刘二大人 第四讲

import torch
from matplotlib import pyplot as plt
import os
os.environ['KMP_DUPLICATE_LIB_OK']='True'

x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
#Tensor中包含data和grad，data和grad也是Tensor,grad初始为None
w = torch.tensor([1.0])  # w的初值为1.0
w.requires_grad = True  # 需要计算梯度

def forward(x):
    return x * w  # w是一个Tensor

def loss(x, y):
    y_pred = forward(x)
    return (y_pred - y) ** 2

print("predict (before training)", 4, forward(4).item())

l_lost = []
epoch_list = []
for epoch in range(100):
    for x, y in zip(x_data, y_data):
        l = loss(x, y)  # l是一个张量，tensor主要是在建立计算图 forward, compute the loss
        #  反向传播主要体现在，l.backward()。调用该方法后w.grad由None更新为Tensor类型，且w.grad.data的值用于后续w.data的更新。
        #  l.backward()会把计算图中所有需要梯度(grad)的地方都会求出来，然后把梯度都存在对应的待求的参数中，最终计算图被释放。
        l.backward()
        '''w.data和w.grad说明
        1)w.data 表示张量w的值，其本身也是张量,输出格式tensor[数]。
        2)w.grad 表示张量w的梯度，其本身w.grad是张量 用标量计算时需要取w.grad.data，表示张量w.grad的值,输出格式tensor[数]，
                 梯度输出时需要取w.grad.item()，表示返回的是一个具体的数值,输出格式[数]>
        3)w.grad.item()表示返回的是一个具体的数值,输出格式[数]。
        对于元素不止一个的tensor列表，使用item()会报错 ，向量不行二维更不行 ，只有标量行。
        item只能对标量做操作，而data返回的其实也是一个Tensor，不过这个Tensor是不计算梯度的'''
        print('\tgrad:', x, y, w.grad.item())
        w.data = w.data - 0.01 * w.grad.data  # 权重更新时，注意grad也是一个tensor

        w.grad.data.zero_()  # after update, remember set the grad to zero
    epoch_list.append(epoch)
    l_lost.append(l.item())
    print('progress:', epoch, l.item())  # 取出loss使用l.item，不要直接使用l（l是tensor会构建计算图）

print("predict (after training)", 4, forward(4).item())
plt.plot(epoch_list, l_lost)
plt.xlabel('Epoch')
plt.ylabel('lost')
plt.show()

import torch
from matplotlib import pyplot as plt
import os
os.environ['KMP_DUPLICATE_LIB_OK']='True'

x_data = [1.0,2.0,3.0]
y_data = [2.0,4.0,6.0]

w1 = torch.Tensor([1.0])#初始权值
w1.requires_grad = True#计算梯度，默认是不计算的
w2 = torch.Tensor([1.0])
w2.requires_grad = True
b = torch.Tensor([1.0])
b.requires_grad = True

def forward(x):
    return w1 * x**2 + w2 * x + b

def loss(x,y):#构建计算图
    y_pred = forward(x)
    return (y_pred-y) **2

print('Predict (befortraining)',4,forward(4))
l_lost = []
epoch_list = []
for epoch in range(100):
    l = loss(1, 2)#为了在for循环之前定义l,以便之后的输出，无实际意义
    for x,y in zip(x_data,y_data):
        l = loss(x, y)
        l.backward()
        print('\tgrad:',x,y,w1.grad.item(),w2.grad.item(),b.grad.item())
        w1.data = w1.data - 0.01*w1.grad.data #注意这里的grad是一个tensor，所以要取他的data
        w2.data = w2.data - 0.01 * w2.grad.data
        b.data = b.data - 0.01 * b.grad.data
        w1.grad.data.zero_() #释放之前计算的梯度
        w2.grad.data.zero_()
        b.grad.data.zero_()
    epoch_list.append(epoch)
    l_lost.append(l.item())
    print('Epoch:',epoch,l.item())

print('Predict(after training)',4,forward(4).item())
plt.plot(epoch_list, l_lost)
plt.xlabel('Epoch')
plt.ylabel('lost')
plt.show()