import torchx_data =torch.tensor([[1.0],[2.0],[3.0]]) y_data=torch.tensor([[2.0],[4.0],[6.0]])#重點(diǎn)在于構(gòu)造計(jì)算圖 pytorch會(huì)自動(dòng)計(jì)算梯度 #Z=wx+b 就是一個(gè)線性單元class LinearModel(torch.nn.Module):#Module的對象會(huì)自動(dòng)實(shí)現(xiàn)backword()的過程#構(gòu)造函數(shù)def __init__(self) :super(LinearModel, self).__init__()#Linear()構(gòu)建y=wx+b，且繼承于Module自動(dòng)完成backword()的過程self.linear=torch.nn.Linear(1,1)#前饋計(jì)算的函數(shù) 必須有def forward(self,x):#調(diào)用linear的__call__()，在此函數(shù)中會(huì)調(diào)用forward()y_pred=self.linear(x)return y_pred #CallModel 可以直接調(diào)用 model=LinearModel()#調(diào)用損失函數(shù) criterion=torch.nn.MSELoss(size_average=False) #優(yōu)化器，lr學(xué)習(xí)率 optimizer=torch.optim.SGD(model.parameters(),lr=0.01) for epoch in range(1000):y_pred=model(x_data)loss=criterion(y_pred,y_data)print(epoch,loss.item())#所有權(quán)重的梯度歸0optimizer.zero_grad()#進(jìn)行反向傳播loss.backward()#根據(jù)梯度、學(xué)習(xí)率進(jìn)行自動(dòng)更新optimizer.step() print("W=",model.linear.weight.item()) print("b=",model.linear.bias.item()) #Test Model x_test=torch.Tensor([4.0]) y_test=model(x_test) print("y_pred=",y_test.data)

總結(jié)

以上是生活随笔為你收集整理的【Pytorch神经网络实战案例】04 使用Pytorch实现线性回归的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。