pytorch小试

pytorch小试

$x$ （相当于超空间中的点），训练一个简单的线性函数来拟合它们 $y=wx+b$

普通的写法：

import torch
from torch.autograd import Variable
import torch.nn as nn
import torch.optim as optim
criterion = nn.MSELoss()
# 事先定义好特征x和回归值y，w和b为预设的参数，后续的init_w和init_b目标是拟合它们
# x为三维向量，一共10个样本，输出的y是一个数值
x = torch.rand(10,3)
w = torch.tensor([[2.,1.,-4.]])
b = torch.tensor(2.8)
y = w.mm(x.permute(1,0)) + b
print(x.size())
print(y.size())
print(y)
# 初始化训练的参数init_w 和init_b
init_w = torch.normal(mean=0.5, std=torch.tensor([[1,2,3]], dtype=torch.float))
init_w = Variable(init_w, requires_grad=True)
init_b = torch.rand(1,1)
init_b = Variable(init_b, requires_grad=True)
# 设定优化方法
optimizer = optim.SGD((init_w,init_b), lr=0.05)
# 设置迭代次数
for i in range(2000):
    # output
    y_hat = init_w.mm(x.permute(1,0)) + init_b
    # 计算loss
    loss = criterion(y_hat, y)
    print(i, 'th: loss=', loss)
    # 清除计算的梯度
    optimizer.zero_grad()
    # 计算梯度
    loss.backward(retain_graph=True)
    # 更新参数
    optimizer.step() 
#输出训练后的结果
print(init_w)
print(init_b)

继承 torch.nn.Module 写法：

import torch
from torch.autograd import Variable
import torch.nn as nn
import torch.optim as optim

# 事先定义好特征x和回归值y，w和b为预设的参数，后续的init_w和init_b目标是拟合它们
# x为三维向量，一共10个样本，输出的y是一个数值
x = torch.rand(10,3)
w = torch.tensor([[2.,1.,-4.]])
b = torch.tensor(2.8)
# y=wx+b
y = w.mm(x.permute(1,0)) + b

# 模型类（一个线性回归函数）
class Regress(nn.Module):
    def __init__(self):
        super(Regress, self).__init__()
        self.init_w = torch.normal(mean=0.5, std=torch.tensor([[1,2,3]], dtype=torch.float))
        self.init_w = Variable(self.init_w, requires_grad=True)
        self.init_w = nn.Parameter(self.init_w)
        self.init_b = torch.rand(1,1)
        self.init_b = Variable(self.init_b, requires_grad=True)
        self.init_b = nn.Parameter(self.init_b)
        self.criterion  = nn.MSELoss()
        self.optim = optim.SGD(self.parameters(), lr=0.05)
    def forward(self, input):
        y = self.init_w.mm(input.permute(1,0)) + self.init_b
        return y
        
# 创建类对象，初始化相关变量与函数
net = Regress()
# 迭代训练（迭代次数可自调）
for i in range(2000):
    y_hat = net.forward(x)
    loss = net.criterion(y_hat, y)
    print(i, 'th: loss=', loss)
    net.optim.zero_grad()    
    loss.backward(retain_graph=True)
    net.optim.step()
# 打印结果
print(init_w)
print(init_b)

运行结果：