[Práctica de PyTorch] Regresión lineal de PyTorch de entrada de base cero [explicación del código línea por línea]

prefacio

Esta sección contiene un pequeño ejemplo de cómo comenzar con la antorcha

La explicación en video del código línea por línea está en: https://www.bilibili.com/video/BV1nS4y1u76S?spm_id_from=333.999.0.0

Principalmente sobre ejemplos de regresión lineal.

Crea tus propios datos
Construir un modelo de regresión lineal
completar el proceso de formación
Pantalla de dibujo

Modelo lineal

donde k es el peso y b es el término de sesgo.

En general, el modelo lineal es para ajustar el k y b de los cuales son en realidad w y sesgo

como aquí

código como un todo

Datos de simulación

Agregue ruido blanco gaussiano (un grupo de números aleatorios que se ajustan a una distribución normal con una media de 0 y una varianza de 1) y establezca x en 512 puntos, es decir, el número de muestras es 512

Modelo lineal

Debido a que cada valor de la entrada y cada valor de la salida es en realidad una dimensión de 1, feature_num=1, el modelo lineal es

class LinearModel(nn.Module):
    def __init__(self, in_fea, out_fea):
        super(LinearModel, self).__init__()
        self.out = nn.Linear(in_fea, out_fea)
    def forward(self, x):
        x = self.out(x)
        return x

Definir la función de pérdida y el optimizador

optimizer = torch.optim.SGD(model.parameters(), lr=0.02)

loss_func = nn.MSELoss()

Cambiar la dimensión de los datos a la dimensión de entrada del modelo

Agregar una dimensión a la dimensión de la característica

entrenamiento y visualización

la rutina es

razonamiento directo
pérdida
gradiente claro
retropropagación
actualizar pesos

plt.ion()
for step in range(200):
    prediction = model(x)
    loss = loss_func(prediction, y)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if step%10 == 0:
        plt.cla()
        plt.scatter(x.data.numpy(), y.data.numpy())
        plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
        plt.xlim(0,1.1)
        plt.ylim(0, 20)
        [w, b] = model.parameters()
        plt.text(0, 0.5, 'loss=%.4f, k=%.2f, b=%2f'%(loss.item(), w.item(), b.item() ),fontdict={'size': 20, 'color':  'red'})
        plt.pause(0.5)
plt.ioff()
plt.show()

Entre ellos, ion es para abrir el modo interactivo e ioff es para cerrar el modo interactivo, y puede dibujar dinámicamente la imagen para ver los cambios.

Observe dinámicamente la transformación de la línea ajustada