【Pytorch深度学习实践】B站up刘二大人之Linear Regression with PyTorch-代码理解与实现(4/9)

开篇几句题外话：

代码对我还是不简单，还是要花时间。我反应不过来变量之间的关系，没办法很快的想清楚这个过程。

Lecture05 —— Linear Regression With PyTorch 利用PyTorch实现线性回归模型

说在前面：

• 这部分内容有不少更新指出：

（1）构建数据集用到了torch中的Tensor；

（2）通过创建python中的线性模型类，并实例化它，来构建模型；

（3）损失函数通过torch.nn库调用其中的MSELoss；

（4）优化器通过调用torch.optim库中的SGD实现；

（5）训练过程稍有变化，这里面第一次出现了梯度清零这个问题，用到的是优化库optim中的zero_grad（）方法；

详细过程：

• 本课程的主要任务是利用torch包的requires_grad自动求导，构建反向传播模型：

  • 导入numpy、matplotlib、os、torch库；

  • 导入数据 x_data 和 y_data，注意这里有变化，用到了torch中的Tensor格式，与04课程相同，所以才会出现data和grad的重要区别；

  • 创建LinearModel类模型：

    • 初始化init中，只有一个linear函数；注意要提前继承（这一步直接写，不深究）；
    • 前向传播forward方法，这是把之前的前向传播函数，拿进来做了类中的一个方法，返回预测值；

  • 实例化一个模型model；

  • 创建损失函数：通过调用torch.nn库中的MSELoss实现；

  • 创建优化器：通过调用torch.optim库中的SGD实现；

  • 创建两个空列表，因为后面绘图的时候要用：

  • 创建循环，开始训练：循环的次数epoch可以自定义

    • y_hat用模型model计算；
    • 损失loss用创建好的损失函数计算；
    • 先用优化器对梯度清零（重要，要清楚什么时候该清零，为什么清零，原理是什么）；
    • 令损失反向传播loss.backward；
    • 执行一步权重更新操作，用到的函数optimizer.step( )很奇特，这里非常关键，理解起来不容易，见下面的链接；

  • 在循环中要把计算的结果，放进之前的空列表，用于绘图；

  • 在获得了打印所需的数据列表只有，模式化地打印图像：

    • 略

完整代码：

#!usr/bin/env python
# -*- coding:utf-8 _*-
"""
@author: 24_nemo
@file: 05_LinearRegressionwithPyTorch_handType.py
@time: 2022/04/08
@desc:
"""
import matplotlib.pyplot as plt
import torch

import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'

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):
        super(LinearModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)

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


model = LinearModel()

criterion = torch.nn.MSELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

loss_list = []
epoch_list = []

for epoch in range(1000):
    y_hat = model(x_data)
    loss = criterion(y_hat, y_data)
    print(epoch, loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    epoch_list.append(epoch)
    loss_list.append(loss.item())

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_hat =', y_test.data)
print('y_hat =', y_test.item())

plt.plot(epoch_list, loss_list)
plt.xlabel('epoch')
plt.ylabel('loss')
plt.show()

运行结果：

上一篇：

【Pytorch深度学习实践】B站up刘二大人之 BackPropagation-代码理解与实现(3/9)

下一篇：

【Pytorch深度学习实践】B站up刘二大人之LogisticsRegression-代码理解与实现(5/9)

目录：

【Pytorch深度学习实践】B站up刘二大人课程笔记——目录与索引（已完结）