pytorch学习--线性回归

pytorch学习–线性回归

求解步骤:

  • 确定模型 Module: y=wx+b

  • 选择损失函数 MSE: 均方差等

  • 求解梯度并更新w,b w=w-LR*w.grad b=b-LR*w.grad(LR:步长,即学习率 )

import torch
import matplotlib.pyplot as plt
torch.manual_seed(10)
lr=0.05
x=torch.rand(20,1)*10
y=2*x+(5+torch.randn(20,1))
#初始化 w 和 b
w=torch.randn((1),requires_grad=True)
b=torch.zeros((1),requires_grad=True)
#设置迭代次数为1000
for iteration in range(1000):
    wx=torch.mul(w,x)   # w*x
    y_pred=torch.add(wx,b)  # y_pred=w*x+b
    #计算损失值 用均方差
    loss=(0.5*(y-y_pred)**2).mean()
    # 反向传播
    loss.backward()
    #更新b和w
    b.data.sub_(lr*b.grad)
    w.data.sub_(lr*w.grad)
	# 清零张量的梯度
    w.grad.zero_()
    b.grad.zero_()


    #画图过程
    if iteration%20==0:
        plt.scatter(x.data.numpy(),y.data.numpy())
        plt.plot(x.data.numpy(),y_pred.data.numpy(),'r-',lw=5)
        plt.text(2,20,'loss=%.4f'%loss.data.numpy(),fontdict={'size':20,'color':'red'})
        plt.xlim(1.5,10)
        plt.ylim(8,28)
        plt.title("Iteration:{}\nw:{} b:{}".format(iteration,w.data.numpy(),b.data.numpy()))
        plt.pause(1)


        if loss.data.numpy()<1:
            break;
        plt.show()

pytorch学习--线性回归_第1张图片
pytorch学习--线性回归_第2张图片

pytorch学习--线性回归_第3张图片
pytorch学习--线性回归_第4张图片
pytorch学习--线性回归_第5张图片

loss.backward()
故名思义,就是将损失loss 向输入侧进行反向传播,同时对于需要进行梯度计算的所有变量 (requires_grad=True),计算梯度 d(loss)/dx,并将其累积到梯度x.grad 中备用,即:x.grad=x.grad+d(loss)/dx

关于张量清零
原因在于在PyTorch中,计算得到的梯度值会进行累加
梯度累加就是,每次获取1个batch的数据,计算1次梯度,梯度不清空,不断累加,累加一定次数后,根据累加的梯度更新网络参数,然后清空梯度,进行下一次循环。一定条件下,batchsize 越大训练效果越好,梯度累加则实现了 batchsize 的变相扩大,如果accumulation_steps 为 8,则batchsize ‘变相’ 扩大了8倍

你可能感兴趣的:(pytorch学习,pytorch,学习,python)