學習筆記，僅供參考，有錯必糾

---

文章目錄

• • PyTorch 基礎
  • • 線性回歸
    • • 常用代碼
      • 導包
      • 生成數據
      • 構建神經網絡模型
    • 非線性回歸
    • • 生成數據
      • 構建神經網絡模型

---

PyTorch 基礎

線性回歸

常用代碼

# 支持多行輸出 from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity = 'all' #默認為'last'

導包

# 導入常用的包 import torch from torch import nn,optim import numpy as np import matplotlib.pyplot as plt from torch.autograd import Variable

生成數據

x_data = np.random.rand(100) noise = np.random.normal(0,0.01,x_data.shape) y_data = x_data*0.1 + 0.2 + noiseplt.scatter(x_data,y_data) plt.show() <matplotlib.collections.PathCollection at 0x1dbfa189240>

# 將數據變為2維數據，因為在用pytorch在訓練模型時，需要傳入一個批次的數據 x_data = x_data.reshape(-1,1) # -1表示自動匹配，1表示列為1列。那么這樣換算下來，就會轉換為(100,1)的二維數組 y_data = y_data.reshape(-1,1) # 將numpy 變成 tensor x_data = torch.FloatTensor(x_data) y_data = torch.FloatTensor(y_data) # 定義模型的輸入變量 inputs = Variable(x_data) # 定義模型的輸出標簽 targets = Variable(y_data)

構建神經網絡模型

# 定義一個自己的類，這個類需要繼承pytorch中的一個類 class MyLR(nn.Module):# 初始化方法，定義網絡的結構(一般把網絡中具有可學習參數的層放在__init__()中)def __init__(self):# 初始化父類nn.Modulesuper(MyLR, self).__init__()self.fc = nn.Linear(1, 1) # (1, 1)表示輸入1個神經元，輸出一個神經元pass# 前向傳遞，定義網絡的計算def forward(self, x):out = self.fc(x)return out # 定義模型 model = MyLR() # 定義損失函數 mse_loss = nn.MSELoss() # 定義優化器 optimizer = optim.SGD(model.parameters(), lr = 0.1) # 查看模型參數(未訓練的初始化參數) for name, parameters in model.named_parameters():print('name:{}, para:{}'.format(name, parameters)) name:fc.weight, para:Parameter containing: tensor([[0.4478]], requires_grad=True) name:fc.bias, para:Parameter containing: tensor([-0.3437], requires_grad=True) for i in range(1000):out = model(inputs)# 計算lossloss = mse_loss(out, targets)# 梯度清0,否則之前計算的梯度會疊加optimizer.zero_grad()# 計算梯度loss.backward()# 修改權值optimizer.step()if i % 100 == 0:print(i, loss.item()) 0 0.1456504464149475 100 0.0016374412225559354 200 0.00021086522610858083 300 0.00010340119479224086 400 9.530589886708185e-05 500 9.469607175560668e-05 600 9.465014591114596e-05 700 9.464671165915206e-05 800 9.464642789680511e-05 900 9.464641334488988e-05 # 計算預測值 y_pred = model(inputs) plt.scatter(x_data,y_data) plt.plot(x_data,y_pred.data.numpy(),'r-',lw=3) plt.show() <matplotlib.collections.PathCollection at 0x1dbfa5dc978>[<matplotlib.lines.Line2D at 0x1dbfa5c2c88>]

非線性回歸

生成數據

# 在 -2 到 2 之間產生呈等差變化的200個數值，并將其變為2維數據 x_data = np.linspace(-2, 2, 200)[:, np.newaxis] noise = np.random.normal(0,0.2,x_data.shape) y_data = np.square(x_data) + noiseplt.scatter(x_data,y_data) plt.show() <matplotlib.collections.PathCollection at 0x1dbfa76f240>

# 將numpy 變成 tensor x_data = torch.FloatTensor(x_data) y_data = torch.FloatTensor(y_data) # 定義模型的輸入變量 inputs = Variable(x_data) # 定義模型的輸出標簽 targets = Variable(y_data)

構建神經網絡模型

# 定義一個自己的類，這個類需要繼承pytorch中的一個類 class MyLR(nn.Module):# 初始化方法，定義網絡的結構(一般把網絡中具有可學習參數的層放在__init__()中)def __init__(self):# 初始化父類nn.Modulesuper(MyLR, self).__init__()# 定義1-10-1的網絡結構self.fc1 = nn.Linear(1, 10)# 設置激活函數self.tanh = nn.Tanh()self.fc2 = nn.Linear(10, 1)pass# 前向傳遞，定義網絡的計算def forward(self, x):x = self.fc1(x)x = self.tanh(x)out = self.fc2(x)return out # 定義模型 model = MyLR() # 定義損失函數 mse_loss = nn.MSELoss() # 定義優化器 optimizer = optim.SGD(model.parameters(), lr = 0.3) # 查看模型參數(未訓練的初始化參數) for name, parameters in model.named_parameters():print('name:{}, para:{}'.format(name, parameters)) name:fc1.weight, para:Parameter containing: tensor([[-0.8362],[ 0.2621],[ 0.9536],[ 0.9033],[-0.5467],[ 0.1015],[-0.4320],[-0.4793],[ 0.2248],[ 0.6971]], requires_grad=True) name:fc1.bias, para:Parameter containing: tensor([ 0.6691, 0.4091, -0.4945, -0.9603, 0.7015, -0.7920, 0.9798, 0.6661,0.5042, 0.3837], requires_grad=True) name:fc2.weight, para:Parameter containing: tensor([[ 0.1721, 0.2141, -0.1088, -0.2049, -0.1316, -0.0525, 0.0242, 0.1614,0.2276, 0.0702]], requires_grad=True) name:fc2.bias, para:Parameter containing: tensor([0.2010], requires_grad=True) for i in range(2000):out = model(inputs)# 計算lossloss = mse_loss(out, targets)# 梯度清0,否則之前計算的梯度會疊加optimizer.zero_grad()# 計算梯度loss.backward()# 修改權值optimizer.step()if i % 100 == 0:print(i, loss.item()) 0 2.2675838470458984 100 0.07629517465829849 200 0.11858276277780533 300 0.08543253690004349 400 0.08349892497062683 500 0.08922693133354187 600 0.09121432155370712 700 0.08348247408866882 800 0.10780174285173416 900 0.08897148072719574 1000 0.08086799830198288 1100 0.07277610898017883 1200 0.06655674427747726 1300 0.061655644327402115 1400 0.05747130513191223 1500 0.054821696132421494 1600 0.052742671221494675 1700 0.051381915807724 1800 0.050302788615226746 1900 0.04957994446158409 # 計算預測值 y_pred = model(inputs) plt.scatter(x_data,y_data) plt.plot(x_data,y_pred.data.numpy(),'r-',lw=3) plt.show() <matplotlib.collections.PathCollection at 0x1dbfa7ce630>[<matplotlib.lines.Line2D at 0x1dbfa3e26d8>]

總結

以上是生活随笔為你收集整理的PyTorch基础(part3)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。