《Pytorch深度学习实践》课程合集(刘二大人)笔记

2 线性模型

深度学习步骤

  • 数据集 —— 拿到的训练集,要分成两部分,训练集,交叉验证集 和 测试集
  • 模型
  • 训练
  • 推理

ML常用损失函数

《Pytorch深度学习实践》课程合集(刘二大人)笔记_第1张图片

模型可视化 visdom包

  1. 训练过程中,要存盘
  2. visdom 可视化
'''
   线性模型——— 用直线 预测相关的值
'''

import numpy as np
import matplotlib.pyplot as plt

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

def forward(x):
    return x * w

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

w_list =[]
mse_list = []
for w in np.arange(0.0, 4.1, 0.1):
    print('w=', w)
    l_sum = 0
    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_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()

3 梯度下降

随机梯度下降:随机选一个点
批量梯度下降

import numpy as np
import matplotlib.pyplot as plt

x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
w=0

def forward(x):
    return x*w

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)

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))
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)

print('predict(after training', 4, forward(4))

4 反向传播

矩阵的求导公式
matirx cookbook

import torch

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

def forward(x):
    return x*w
# w is a tensor type variable

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

print("predict:", 4, forward(4).item())
for epoch in range(100):
    for x, y in zip(x_data, y_data):
        l = loss(x,y)
        l.backward() # 自动计算梯度,并且反向传播
        w.data = w.data - 0.01 * w.grad.data

        w.grad.data.zero_()

    print("progress:", epoch, l.item())
print("predict", 4, forward(4).item())

5 用pytorch 实现线性回归

确定模型,,定义损失函数,优化损失函数
准备数据集,用类设计模型,,构造损失函数和优化器,,写训练周期(前馈,反馈,更新)

numpy中的自动广播机制

不同维度的矩阵,是不能直接进行加法的
所以,在numpy中,会 把维度小的向量,自动复制成维度大的向量
《Pytorch深度学习实践》课程合集(刘二大人)笔记_第2张图片《Pytorch深度学习实践》课程合集(刘二大人)笔记_第3张图片

线性单元—— y = w*x+b

《Pytorch深度学习实践》课程合集(刘二大人)笔记_第4张图片《Pytorch深度学习实践》课程合集(刘二大人)笔记_第5张图片

函数中传递参数,常用的形式

def func(*args, **kwargs):
    print(args)
    print(kwargs)

func(1,2,4,3, x=3, y=5)
(1, 2, 4, 3)
{'x': 3, 'y': 5}

*arg : 可以传递很多参数,会进行自动匹配,,结果是一个元组
**kwargs : 是作为一个字典使用

模型训练

#训练模型
for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss)

    optimizer.zero_grad() # 梯度归0
    loss.backward()
    optimizer.step()

训练过程,其实就是,先算y_pred, 计算损失函数,,反向传播,,更新参数,四部分组成

import torch

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


class LinearModel(torch.nn.Module):
    def __init__(self):  #构造函数
        super(LinearModel, self).__init__()
        self.linear = torch.nn.Linear(1,1)

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

model = LinearModel()


# 损失函数
criterion = torch.nn.MSELoss(size_average=False)    # false表示不求均值
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# model.parameters() : 告诉模型,,要对哪些参数进行优化


#训练模型
for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())

    optimizer.zero_grad() # 梯度归0
    loss.backward()
    optimizer.step()


print('w=', model.linear.weight.item())
print('b=', model.linear.bias.item())

x_test = torch.tensor([[4.0]])
y_test = model(x_test)
print('y_pred =', y_test.data)

6 逻辑回归——分类

《Pytorch深度学习实践》课程合集(刘二大人)笔记_第6张图片
《Pytorch深度学习实践》课程合集(刘二大人)笔记_第7张图片
逻辑回归损失函数
《Pytorch深度学习实践》课程合集(刘二大人)笔记_第8张图片
上述函数被称为,,BCE损失函数

你可能感兴趣的:(机器学习,pytorch,深度学习,人工智能)