PyTorch 教程-线性模型的训练

我们根据随机分配给它的参数绘制了我们的线性模型。我们发现它不能很好地拟合我们的数据。我们需要训练这个模型，使模型具有最佳的权重和偏差参数，并拟合这些数据。

训练模型的步骤如下:

步骤1

criterion=nn.MSELoss()

步骤2

现在，我们的下一步是更新我们的参数。为此，我们指定使用梯度下降算法的优化器。我们使用 SGD() 函数，也称为随机梯度下降，进行优化。SGD 逐个样本地最小化总损失，通常更快地收敛，因为它经常在相同的样本大小内更新模型的权重。

optimizer=torch.optim.SGD(model.parameters(),lr=0.01)

这里，lr 代表学习率，最初设置为 0.01。

步骤3

epochs=100 

Losses=[]  For i in range (epochs):      ypred=model.forward(x)  #Prediction of y      loss=criterion(ypred,y) #Find loss      losses.append()     # Add loss in list       optimizer.zero_grad() # Set the gradient to zero      loss.backward() #To compute derivatives       optimizer.step()    # Update the parameters

步骤4

plotfit('Trained Model')

专属福利 
👉点击领取：最全Python资料合集

完整代码

import torch  import torch.nn as nn  import matplotlib.pyplot as plt  import numpy as np  X=torch.randn(100,1)*10  y=X+3*torch.randn(100,1)  plt.plot(X.numpy(),y.numpy(),'o')  plt.ylabel('y')  plt.xlabel('x')  class LR(nn.Module):      def __init__(self,input_size,output_size):          super().__init__()          self.linear=nn.Linear(input_size,output_size)      def forward(self,x):          pred=self.linear(X)          return pred   torch.manual_seed(1)    #For consistency of random result   model=LR(1,1)  criterion=nn.MSELoss()  #Using Loss Function  optimizer=torch.optim.SGD(model.parameters(),lr=0.01)  #Using optimizer which uses GD algorithm  print(model)  [a,b]=model.parameters()    #Unpacking of parameters  epochs=100  losses=[]  for i in range(epochs):      ypred=model.forward(X)      loss=criterion(ypred,y)      print("epoch:",i,"loss:",loss.item())      losses.append(loss)      optimizer.zero_grad()      loss.backward()      optimizer.step()  defgrtparameters():         return(a[0][0].item(),b[0].item())  defplotfit(title):      plt.title=title      a1,b1=grtparameters()      x1=np.array([-30,30])      y1=a1*x1+b1      plt.plot(x1,y1,'r')      plt.scatter(X,y)      plt.show()  plotfit('Trained Model')

 1

热门推荐

• python爬虫：爬取男生喜欢的图片
• PyTorch 教程-均方误差
• iOS快捷指令：如何使用日程倒数?