pytorch實現最簡單的線性回歸

import torch
import time
from torch.autograd import variable
import torch.nn.functional as f
x = torch.unsqueeze(torch.linspace(-2, 2, 10), dim=1)
y = x.pow(2) + 0.2 * torch.rand(x.size())
#math.pow(100, 2) :  10000.0
#t.unsqueeze(di)     //在di個維度處公升維
#t=t.rand(t.size())    //均勻分布
#t=t.randn(t.size())   //標準正態分佈
#torch.randn(*sizes, out=none)
#返回乙個張量，包含了從標準正態分佈(mean=0, std=1)中抽取一組隨機數，形狀             #由可變引數sizes定義。
#t=t.linspace(m,n,step_num)  //[m,n]中以m為首項，n為末項，均分區間為step_num段
x, y = variable(x), variable(y)
#variable就是 變數 的意思。實質上也就是可以變化的量，區別於int變數，它是一種可以變化的變數，這正好就符合了反向傳播，引數更新的屬性
#把雞蛋放到籃子裡, requires_grad是參不參與誤差反向傳播, 要不要計算梯度
#tensor不能反向傳播，variable可以反向傳播。
class net(torch.nn.module):
def __init__(self, n_features, n_hidden, n_output):
super(net, self).__init__()
self.hidden = torch.nn.linear(n_features, n_hidden)
self.predict = torch.nn.linear(n_hidden, n_output)
def forward(self, x):
x = f.relu(self.hidden(x))
x = self.predict(x)
return x
model=net(1,1,1)
optimizer = torch.optim.sgd(model.parameters(), lr=0.3)
loss_func = torch.nn.mseloss()
for t in range(10):
prediction = model(x)
loss = loss_func(prediction,y)
print(loss)
optimizer.zero_grad()
loss.backward()
optimizer.step()

一般神經網路的類都繼承自torch.nn.module，init()和forward()兩個函式是自定義類的主要函式。在__init__()中都要新增一句super(net, self).init()，這是固定的標準寫法，用於繼承父類的初始化函式。init()中只是對神經網路的模組進行了宣告，真正的搭建是在forwad()中實現。自定義類中的成員都通過self指標來進行訪問，所以引數列表中都包含了self。

訓練網路之前我們需要先定義優化器和損失函式。torch.optim包中包括了各種優化器，這裡我們選用最常見的sgd作為優化器。因為我們要對網路的引數進行優化，所以我們要把網路的引數net.parameters()傳入優化器中，並設定學習率（一般小於1）。

由於這裡是回歸任務，我們選擇torch.nn.mseloss()作為損失函式。

由於優化器是基於梯度來優化引數的，並且梯度會儲存在其中。所以在每次優化前要通過optimizer.zero_grad()把梯度置零，然後再後向傳播及更新。

torch.nn.module

定義自已的網路：

需要繼承nn.module類，並實現forward方法。

一般把網路中具有可學習引數的層放在建構函式__init__()中，

不具有可學習引數的層(如relu)可放在建構函式中，也可不放在建構函式中(而在forward中使用nn.functional來代替)

只要在nn.module的子類中定義了forward函式，backward函式就會被自動實現(利用autograd)。

在forward函式中可以使用任何variable支援的函式，畢竟在整個pytorch構建的圖中，是variable在流動。還可以使用if,for,print,log等python語法.

pytorch中torch.view()的用法：

把原先tensor中的資料按照行優先的順序排成乙個一維的資料（這裡應該是因為要求位址是連續儲存的），然後按照引數組合成其他維度的tensor。比如說是不管你原先的資料是[[[1,2,3],[4,5,6]]]還是[1,2,3,4,5,6]，因為它們排成一維向量都是6個元素，所以只要view後面的引數一致，得到的結果都是一樣的。比如，

a=torch.tensor([[[1,2,3],[4,5,6]]])
b=torch.tensor([1,2,3,4,5,6])
print(a.view(1,6))
print(b.view(1,6))

得到的結果都是tensor([[1., 2., 3., 4., 5., 6.]])

torch.view(a,b)

將乙個多維度的矩陣拼接成a×b

torch.squeeze()

用於將矩陣進行壓縮，

有0和1兩種引數分別表示第一維度和第二維度，torch.sequeeze(0)表示若第一維度的值為1，則去掉。第二維度同理。

若引數為矩陣，即torch.squeeze(a)則表示去掉a矩陣維數為1的維度。

torch.unsqueeze()

用於矩陣維度的擴充，

torch.unsqueeze(a, n)對矩陣a在指定維度n加上一維。

pytorch實現最簡單的線性回歸

Pytorch 通過pytorch實現線性回歸

利用Pytorch實現簡單的線性回歸演算法

Pytorch實現線性回歸手動

pytorch實現最簡單的線性回歸

Pytorch 通過pytorch實現線性回歸

利用Pytorch實現簡單的線性回歸演算法

Pytorch實現線性回歸 手動

相關推薦

Pytorch實現線性回歸手動