《PyTorch深度学习实战》第五讲

Linear Regression with PyTorch 传送门：https://www.bilibili.com/video/BV1Y7411d7Ys?p=5

目标：PyTorch实现线性模型预测 详细标注

import torch
import matplotlib.pyplot as plt

# 如果运行图像时报错，请添加如下两行代码可解决问题
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'

# Step:
# 1. Prepare dataset
# 2. Design model using Class
# 3. Construct loss and optimizer
# 4. Training cycle

# 1.准备数据集
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[2.0], [4.0], [6.0]])

# 2.设计模型
# torch.nn.Module为torch父类，在使用过程中，我们创建子类继承父类，可实现多功能，方便快捷
class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__() # 继承父类
        self.linear = torch.nn.Linear(1, 1) # 构造对象， 包含权重和偏置，参数：输入参数维度和输出参数维度
	# 前向传播
    def forward(self, x):
        y_pred = self.linear(x)
        return y_pred
# 运行模型
model = LinearModel()

# 3.构造损失函数和训练循环
criterion = torch.nn.MSELoss(size_average=False)
# optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
optimizer = torch.optim.Rprop(model.parameters(), lr=0.01)

# 4.训练周期：前馈反馈更新
res = []
for epoch in range(100): # 训练100次
    y_pred = model(x_data) # 模型预测
    loss = criterion(y_pred, y_data) # loss计算
    res.append(loss.item()) # 绘图，loss数据收集
    print(epoch, loss) # 打印，训练次数和loss

    optimizer.zero_grad() # 梯度清零 # 将模块中的梯度值清零
    loss.backward() #反向传播
    optimizer.step() # 权重更新

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)

# 绘图
plt.plot(list(range(len(res))), res)
plt.xlabel("epoch")
plt.ylabel("loss")
plt.show()

可选择多个优化器： torch.optim.Adagrad torch.optim.Adam torch.optim.Adamax torch.optim.ASGD torch.optim.LBFGS torch.optim.RMSprop torch.optim.Rprop torch.optim.SGD 尝试不同的优化器得到不同的结果 运行结果：