刘二大人《Pytorch深度学习实践》代码（一）

刘二大人《Pytorch深度学习实践》代码（一）

---

前言

有理论基础，但是编程很垃圾，就在B站上找Pytorch的视频，随手点开的视频《PyTorch深度学习实践》完结合集，讲的很好，想记录一下老师用来举例子的代码（有个别看视频的时候写的注解仅供参考）

---

P2 线性模型

菜鸡刚上手碰到的两个问题：
（1）导入matplotlib的时候忘记了后面的.pyplot
（2）最后显示图像的语句忘记删掉缩进（python的缩进真的要格外注意）

```bash
import numpy as np
import matplotlib.pyplot as plt
#数据集
x_data = [1.0,2.0,3.0]
y_data = [2.0,4.0,6.0]
#定义模型
def forward(x):
    return x * w
#定义损失函数
def loss(x,y):
    y_pred = forward(x)
    return (y_pred-y) * (y_pred-y)
#存放权重和权重损失值对应的列表
w_list = []
mse_list = []
#w取值为0-4，间隔为0.1
for w in np.arange(0.0,4.1,0.1):
    print("w=",w)
    l_sum = 0
# 把数据集里的数据取出来拼成x_val和y_val
    for x_val,y_val in zip(x_data,y_data):
        y_pred_val = forward(x_val)
        loss_val = loss(x_val, y_val)
        l_sum += loss_val
        print('\t',x_val,y_val,y_pred_val,loss_val)
    print("MSE=",l_sum/3)
    w_list.append(w)
    mse_list.append(l_sum/3)
plt.plot(w_list, mse_list)
plt.ylabel('Loss')
plt.xlabel('w')
plt.show()

输出图像：

P3 梯度下降算法

代码如下：

import numpy as np
import matplotlib.pyplot as plt
#数据集
x_data = [1.0,2.0,3.0]
y_data = [2.0,4.0,6.0]
w = 1.0

#定义模型
def forward(x):
    return x * w

#求MSE
def cost(xs, ys):
    cost = 0
    for x, y in zip(xs, ys):
        y_pred = forward(x)
        cost += (y_pred - y) ** 2
    return cost / len(xs)#除样本数量（求均值）

def gradient(xs, ys):
    grad = 0
    for x, y in zip(xs, ys):
        grad += 2*x*(x*w-y)
    return grad / len(xs)

print('Predict (before training)', 4, forward(4))

epoch_list = []
cost_val_list = []

for epoch in range(100):
    cost_val = cost(x_data, y_data)
    grad_val = gradient(x_data, y_data)
    w -= 0.01 * grad_val
    print('Epoch:', epoch, 'w=',w, 'loss=', cost_val)
    epoch_list.append(epoch)
    cost_val_list.append(cost_val)
print('Predict(after training)', 4 ,forward(4))

plt.plot(epoch_list, cost_val_list)
plt.ylabel('Cost')
plt.xlabel('Epoch')
plt.show()

部分输出如下：

可视化图像：

P4 反向传播

代码如下：

import torch
import matplotlib.pyplot as plt

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

w = torch.Tensor([1.0])
w.requires_grad = True#需要计算梯度

def forward(x):
    return x * w

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

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


for epoch in range(100):
    for x, y in zip(x_data, y_data):
        l = loss(x, y)
        l.backward()
        print('\tgrad:', x, y, w.grad.item())
        w.data = w.data - 0.01 * w.grad.data

        w.grad.data.zero_()

    print("progress:", epoch, l.item())

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

部分输出：