刘二大人《Pytorch》第五章作业

 第五章的学习主要还是进行实践操作的流程梳理部分，作为初学者把这部分掌握有助于对后面框架编程的理解。

第一   学习框架

框架分为四个部分：准备数据集、设计模型、构造损失函数和优化器、设计测试循环四个部分。

第二 进行编程

1、 数据准备

数据作为矩阵进行Tensor张量计算

#1、进行数据准备
#数据作为矩阵参与Tensor计算
x_data = torch.Tensor([[1.0],[2.0],[3.0]])
y_data = torch.Tensor([[2.0],[4.0],[6.0]])

2 、创造线性模型

使用Pytorch中的Module模组，里面含有许多机器学习中的数学模型

#2、创造线性模型
#Module中含有许多机器学习中的数学模型
class LinearModel(torch.nn.Module):
    def __init__(self):
        #调用父类的init
        super(LinearModel, self).__init__()
        #Linear对象包括weight权重（w）和bias（阈值）（b）两个张量
        self.linear = torch.nn.Linear(1,1)

    #前馈函数forward，对父类函数中的overwrite，设置传递参数为x
    def forward(self, x):
        #调用linear中的call()，以利用父类forward计算wx+b
        y_pred = self.linear(x)
        return y_pred
    #反馈函数backward由module自动根据计算生成
#这个model是个called
model = LinearModel()

3、构造损失函数和优化器

#3、构造损失函数和优化器
#构造的citerion对象所接受的参数为：（y*，y）
criterion = torch.nn.MSELoss(size_average=False)#是否要求均值
#model.parameters()用于检查模型中所能进行优化的张量
#learninggrate(lr)表示学习率，可以统一也可以不统一
#SGD优化器在torch中有很多可以尝试用不同的优化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

4、创造训练循环

#4、创造训练循环
for epoch in range(1000):
    #前馈计算y_pred
    y_pred = model(x_data)
    #前馈计算损失loss
    loss = criterion(y_pred,y_data)
    #打印调用loss时，会自动调用内部__str__函数
    print(epoch,loss)
    #梯度清零
    optimizer.zero_grad()
    #梯度反向传播
    loss.backward()
    #根据传播的梯度以及学习率更新参数
    optimizer.step()

5、测试与输出

#5、训练结束之后的输出

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

#6、进行测试
x_test = torch.Tensor([4.0])
y_test = model(x_test)

print('y_pred = ', y_test.data)

第三  附整体学习大纲