动手学深度学习（PyTorch版）- 【读书活动-心得分享】使用Pytorch实现线性回归

御坂10032号

动手学深度学习（PyTorch版）- 【读书活动-心得分享】使用Pytorch实现线性回归 [复制链接]

 

简介

 

在上一个章节中我们手动的来实现了线形回归的训练和定义. 在本章节我们将借助PYtorch的API来实现相关的操作.

 

---

 

今天看昨天的代码又有了一点新的理解, 不得不感叹写书人的水平还是蛮高的.

 

 主要是体现在上述的代码上当我们随机生成训练数据的时候, 这个数据集的X(张量输入) 可以为多维, 训练数据集将会根据传递进去的 true_w 的权重值来创建多个x作为输入. 比如上述代码中的

true_w 的长度为3, 那么调用创建synthetic_data 后那么创建出来的features为长度为3的张量列表 

 

 

之后使用torch提供的数据加载器来加载训练数据到torch里. 并且定义了小批量的数据集.

 

109 行这里代码从torch中导入了神经网络的包.

 

110行,创建了一个输入输出为3(即X向量的长度) 和输出 为1 (即Y)的神经网络

 

111行来初始化了神经网络的第一层的权重和偏差.

 

112之后便定义了模型中的损失函数的计算方式即使用 nn.BCELoss()

 

113 行则是定义了模型的优化算法以及学习率等. 这里的优化算法采用的是 随机梯度下降（Stochastic Gradient Descent）

 

之后便对模型进行训练

 

num_epochs = 10
for epoch in range(num_epochs):
    for X, y in data_iter:
        l = loss(net(X), y)
        # 清空梯度
        trainer.zero_grad()
        # 反向传播
        l.backward()
        # 更新模型参数
        trainer.step()
    l = loss(net(features), labels)
    print(f'epoch {epoch + 1}, loss {l:f}')

 

一共训练了十轮.

 

 

到最后我们将完整的模型保存下来. 可以新建一个其他的文件 用于加载这个模型进行预测.

 

 

import numpy as np
import torch
from torch import nn
from torch.utils import data
from d2l import torch as d2l

# 加载模型参数
model = torch.load('model_complete.pth')  # 直接加载整个模型
model.eval()

# 使用已加载的模型进行预测
# 示例输入特征
X_new = torch.tensor([[-0.2552, -1.1491, -2.3036]])
y_pred = loaded_net(X_new)
print(f'预测结果: {y_pred.item()}')

 

大家可以实际对比一下预测是值和原本的数据. 如下所示

 

 

 

误差还是非常小的.

 

 

 

一千个数据训练出来的完成模型也非常小, 才2 KB, 接下来要尝试一下怎么把这个模型搞到micro python里了

 

 

 

02-simple-way.ipynb.zip (2.51 KB, 下载次数: 3)

2024-10-30 21:26 上传

点击文件名下载附件

 

zhoupxa

线形回归？不是线性回归？

御坂10032号

zhoupxa 发表于 2024-10-30 22:39 线形回归？不是线性回归？

修改了， 谢谢指正

ljg2np

print(f'epoch {epoch + 1}, loss {l:f}')

不懂就问，有人知道{l:f}的意思吗？l是变量，这里:f起的是什么作用？

御坂10032号

ljg2np 发表于 2024-10-30 23:12 print(f'epoch {epoch + 1}, loss {l:f}') 不懂就问，有人知道{l:f}的意思 ...

格式化浮点数输出的， 跟java的stringformat或者C的 %d %f %h 差不多