PyTorch学习笔记(4)

利用PyTorch实现线性回归

传送门 Pytorch深度学习教程 本文借鉴CSDN专栏 PyTorch 深度学习实践

本节共分为四步

Prepare dataset

后续有方法，现在目前用简单手打代替

1
2
x_data=torch.tensor([[1.0],[2.0],[3.0]])
y_data=torch.tensor([[2.0],[4.0],[6.0]])

Design model

1
2
3
4
5
6
7
8
9
10
class LinearModle(torch.nn.Module):
     def __init__(self):
        super(LinearModle,self).__init__() 
        self.linear=torch.nn.Linear(1,1)
      
     def forward(self,x):
         y_prev = self.linear(x)
         return y_prev

model = LinearModle()

封装好类，使用仅需要实例化即可

Construct loss and optimizer

1
2
criterion = torch.nn.MSELoss(reduction= 'sum')
optimiser = torch.optim.SGD(model.parameters(),lr = 0.01)

torch.nn.MSEloss用于计算损失，参数默认是mean取平均值sum参数求和

优化器中传入需要学习的参数，lr=0.01代表学习率 用于实现反向传播和随机梯度下降算法

Training cycle (forward,backward,update)

1
2
3
4
5
6
7
8
9
for epoch in range(1,100):
    y_prev = model(x_data)
    loss = criterion(y_prev,y_data)
    print (epoch,loss.item())
    print('w=',model.linear.weight.item())
    print('b=',model.linear.bias.item())
    optimiser.zero_grad()
    loss.backward()
    optimiser.step()

这段需要注意的是 每轮需要先将grad清零 否则会累加