PyTorch线性模型训练实例图解

给定分配给它的随机参数, 我们绘制了线性模型。我们发现它与我们的数据不太吻合。我们要做的。我们需要训练该模型, 以便该模型具有最佳的权重和偏差参数并拟合该数据。

有以下步骤可以训练模型：

步骤1

我们的第一步是指定损失函数, 我们打算将其最小化。 PyTorch提供了一种非常有效的方法来指定丢失的功能。 PyTorch提供MSELoss()函数(称为均方损失), 以

criterion=nn.MSELoss()

第2步

现在, 我们的下一步是更新参数。为此, 我们指定使用梯度下降算法的优化器。我们使用称为随机梯度下降的SGD()函数进行优化。 SGD一次可以减少一个样本的总损失, 并且通常可以更快地收敛, 因为它会在相同样本大小内频繁更新模型的权重。

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

在此, lr代表学习率, 最初设置为0.01。

第三步

我们将针对指定的时期数训练模型(我们计算了误差函数, 并对该误差函数的梯度下降进行了反向传播以更新权重)。

epochs=100

现在, 对于每个时代, 我们都必须最小化模型系统的误差。误差只是模型预测与实际值之间的比较。

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

现在, 最后, 我们只需调用plotfit()方法来绘制新的线性模型。

plotfit('Trained Model')

完整的代码

程序

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')

输出