机器学习----PyTorch模型训练

PyTorch

在前面使用纯手工做了线性回归，线性回归的问题其实就是求解损失函数最小的情况下的w值。
在PyTorch里面很多的函数都进行了封装，我们直接用就可以。

损失函数

手写损失函数

def loss(y, y_pred):
	"""损失函数"""
	# (真实值 - 预测值)^2 的平均值
    return ((y_pred - y)**2).mean()

PyTorch封装的损失函数

损失函数就是计算（预测值-真实值）^2的平均值
（均方误差）

torch.nn.MSELoss()方法参数：

所有数据的预测值
所有真实值
（互换位置也一样，因为算的是均方误差）

import torch
X = torch.tensor([1,2,3,4],dtype=torch.float32)
Y = torch.tensor([2,4,6,8],dtype=torch.float32)
w = torch.tensor(0.0,dtype=torch.float32,requires_grad=True)

def forward(x):
    return w * x

# 均方差计算预测值和真实值之间的距离
loss = torch.nn.MSELoss()
# 计算此时的损失
y_pre = forward(X)
l = loss(y_pre,Y)
print(f"此时的损失值:{
      
      l}")

在这里插入图片描述

优化器

优化器就是代替了手写梯度下降算法，PyTorch将自动计算梯度并更新参数

定义优化器

optim模块内包含多个优化器，都是基于基本的梯度下降算法改进的算法，可以更快的求出最优的参数解，例如： SGD, Adam,Momentum,RMSProp，这里使用的是SGD梯度下降算法

需要反向传播更新的参数，可能会有多个需要更新的参数，所以参数1为列表
lr命名参数为学习率

optimizer = torch.optim.SGD([W], lr=learning_rate)

完整的一次线性回归

l.backward()损失函数反向传播计算梯度
optimizer.step() 通过优化器更新w参数向梯度的方向走一步 (求解loss损失值关于w的偏导值)
optimizer.zero_grad() 清空梯度计算，防止梯度累加导致结果错误

# 创建x、y数据和自定义w参数
X = torch.tensor([1,2,3,4],dtype=torch.float32)
Y = torch.tensor([2,4,6,8],dtype=torch.float32)
w = torch.tensor(0.0,dtype=torch.float32,requires_grad=True)
# 定义学习率 和 训练模型迭代次数
learning_rate = 0.001
n_iters = 1000
# 创建损失函数
loss = torch.nn.MSELoss()
# 创建优化器 把w参数扔进去，要计算损失值关于w的关系（偏导数） 把学习率扔进去
optimizer = torch.optim.SGD([w],lr=learning_rate)

# 正向传播函数（模型）
def forward(x):
    """正向传播函数"""
    return w * x

# 训练模型
for epoch in range(n_iters):
    # 通过正向传播获取到预测值
    y_pred = forward(X)
    # 通过损失函数获取到损失值
    l = loss(y_pred,Y)
    # 反向传播计算梯度
    l.backward()
    # 通过优化器 更新w参数  向梯度的方向走一步
    optimizer.step()
    # 清空梯度计算，防止梯度累加导致结果错误
    optimizer.zero_grad()
    
    if epoch % 100 == 0:
        # 打印纪元 w参数的变化和损失值的变化
        print(f'epoch: {
      
      epoch},w: {
      
      w},loss: {
      
      l:.8f}')

模型的建立

建立模型就是省去了手写正向传播的函数

torch.nn.Linear(input_size,output_size)表示线性模型的函数

input_size: 输入数据的维度
output_size: 输出数据的维度

model.parameters()模型中的参数

# 创建x、y数据和自定义w参数
X = torch.tensor([[1],[2],[3],[4]],dtype=torch.float32)
Y = torch.tensor([[2],[4],[6],[8]],dtype=torch.float32)
# 测试集
X_test = torch.tensor([5],dtype=torch.float32)
# 定义模型参数
n_samples,n_features = X.shape
print(n_features)
# 因为当前定义的输入和输出维度一致  所以参数输入和输出都为n_features
model = torch.nn.Linear(n_features,n_features)
# 定义学习率 和 训练模型迭代次数
learning_rate = 0.01
n_iters = 1000
# 创建损失函数
loss = torch.nn.MSELoss()
# 创建优化器 把模型需要更新参数扔进去，要计算损失值关于w的关系（偏导数） 把学习率扔进去
optimizer = torch.optim.SGD(model.parameters(),lr=learning_rate)


# 训练模型
for epoch in range(n_iters):
    # 通过正向传播获取到预测值
    y_pred = model(X)
    # 通过损失函数获取到损失值
    l = loss(y_pred,Y)
    # 反向传播计算梯度
    l.backward()
    # 通过优化器 更新w参数  向梯度的方向走一步
    optimizer.step()
    # 清空梯度计算，防止梯度累加导致结果错误
    optimizer.zero_grad()
    
    if epoch % 100 == 0:
        # 获取到模型中w参数的值和b的值
        w,b = model.parameters()
        # 打印纪元 w参数的变化和损失值的变化
        print(f'epoch: {
      
      epoch},w: {
      
      w[0,0].item()},loss: {
      
      l}')

在这里插入图片描述

训练完成之后用测试集测试一下w参数：

test_model = model(X_test)

在这里插入图片描述
y = 2x + b 数据5已经无限接近于10

总结：

PyTorch训练模型流程：

获取训练集，获取输入维度和输出维度
根据输入和输出维度，创建合适的模型
创建损失函数
创建优化器
训练模型正向传播➡反向传播➡梯度下降➡循环
获取测试集评估模型

机器学习不是一下就把解求出来，是向解慢慢逼近的过程。