筆記 | PyTorch安裝及入門(mén)教程

點(diǎn)擊上方“小白學(xué)視覺(jué)”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時(shí)間送達(dá)

本期筆記目錄：

      2.1 為何選擇PyTorch?

PyTorch主要由4個(gè)包組成：

1. torch:可以將張量轉(zhuǎn)換為torch.cuda.TensorFloat

2. torch.autograd:自動(dòng)梯度

3. torch.nn：具有共享層和損失函數(shù)的神經(jīng)網(wǎng)絡(luò)庫(kù)

4. torch.optim：具有通用的優(yōu)化算法包（SGD、Adam）

   2.2 安裝Anaconda

Anaconda官網(wǎng)地址

https://www.anaconda.com/products/individual

這里選擇All Users，一步一步操作即可

安裝成功與否

2.3 安裝Pytorch

由于pytorch有不同的版本，為了方便使用不同的版本，我們新建不同的環(huán)境（類(lèi)比建造房屋，一個(gè)房屋放一個(gè)版本的pytorch），用來(lái)安裝現(xiàn)有版本的pytorch

conda create –n pytorch python=3.7

選擇Y    

conda info –envs

conda activate pytorch

安裝Pytorch

Pytorch的官方網(wǎng)站：

https://pytorch.org/

conda install pytorch torchvision cudatoolkit=10.2 -c pytorch

選擇y 

2.4 Numpy 與 Tensor

Numpy會(huì)把ndarray 放在CPU中運(yùn)行加速，而由Torch產(chǎn)生的Tensor會(huì)放在GPU中進(jìn)行加速運(yùn)算

2.4.1 Tensor概述

從接口的角度劃分：

1. torch.function           torch.sum       torch.add
2. tensor.function         tensor.view     tensor.add

從修改方式的角度劃分：

1. 不修改自身數(shù)據(jù)，x.add(y)，x數(shù)據(jù)不變，返回新的Tensor
2. 修改自身數(shù)據(jù)，x.add_(y)，運(yùn)算結(jié)果存在x中，x被修改

import torch
x=torch.tensor([1,2])
y=torch.tensor([3,4])
z=x.add(y)
print(z)
print(x)
x.add_(y)
print(x)

2.4.2 創(chuàng)建Tensor

創(chuàng)建Tensor的常用方法

* Tensor(*size)                          從參數(shù)構(gòu)建，List或者Numpy都行
* eye(row,column)                    指定行數(shù)和列數(shù)的二維Tensor
* linspace(start,end,steps)        均勻分成
* longspace(start,end,steps)      10^start到10^end，均勻分成
* rand/randn(*size)                     生成[0,1)均與分布，標(biāo)準(zhǔn)正態(tài)分布
* ones(*size)                              返回指定shape張量，元素為1
* zeros(*size)                             返回指定shape張量，元素為0
* ones_like(t)
* zeros_like(t)
* arange(start,end,stop)
* from_Numpy(ndarray)

import torch

print(torch.Tensor([1,2,3,4,5,6]))
print(torch.Tensor(2,3))
t = torch.Tensor([[1,2,3],[4,5,6]])
print(t)
print(t.size())
t.shape
torch.Tensor(t.size())

torch.Tensor與torch.tensor的區(qū)別：

1. torch.Tensor是torch.empty 和 torch.tensor 之間的混合。傳入數(shù)據(jù)時(shí)，torch.Tensor使用全局默認(rèn)dtype(FloatTensor)，而torch.tensor是從數(shù)據(jù)中推斷數(shù)據(jù)類(lèi)型

2. torch.tensor(1)返回的是固定值1；torch.Tensor返回的是大小為1的張量

   import torch
   t1=torch.Tensor(1)
   t2=torch.tensor(1)
   print("t1的值{}，t1的數(shù)據(jù)類(lèi)型{}".format(t1,t1.type()))
   print("t2的值{}，t2的數(shù)據(jù)類(lèi)型{}".format(t2,t2.type()))
   # 輸出
   t1的值tensor([0.])，t1的數(shù)據(jù)類(lèi)型torch.FloatTensor
   t2的值1，t2的數(shù)據(jù)類(lèi)型torch.LongTensor

   import torch
   print(torch.eye(2,2))
   print(torch.zeros(2,3))
   print(torch.linspace(1,10,4))
   print(torch.rand(2,3))
   print(torch.randn(2,3))
   print(torch.zeros_like(torch.rand(2,3)))
   #輸出結(jié)果
   tensor([[1., 0.],
        [0., 1.]])
   tensor([[0., 0., 0.],
        [0., 0., 0.]])
   tensor([ 1.,  4.,  7., 10.])
   tensor([[0.5942, 0.1468, 0.3175],
        [0.2744, 0.9218, 0.7266]])
   tensor([[ 1.0187, -0.2809,  1.0421],
        [-0.1697, -0.0604, -1.6645]])
   tensor([[0., 0., 0.],
        [0., 0., 0.]])

   2.4.3 修改Tensor形狀

常用的tensor修改形狀的函數(shù)

* size（）                         計(jì)算張量屬性值，與shape等價(jià)
* numel(input)                  計(jì)算張量的元素個(gè)數(shù)
* view(*shape)                  修改張量的shape，共享內(nèi)存，修改一個(gè)同時(shí)修改。
* resize()                           類(lèi)似于view
* item                                返回標(biāo)量
* unsqueeze                     在指定維度增加一個(gè)1
* squeeze                         在指定維度壓縮一個(gè)1

import torch

x = torch.randn(2,3)

print(x.size())

print("維度：" ,x.dim())

print("這里把矩陣變?yōu)?x2的矩陣：",x.view(3,2))

print("這里把x展為1維向量：", x.view(-1))

y=x.view(-1)
z=torch.unsqueeze(y,0)
print("沒(méi)增加維度前：",y,"  的維度",y.size())
print("增加一個(gè)維度:", z)
print("z的維度：", z.size())
print("z的個(gè)數(shù)：", z.numel())
# 輸出結(jié)果
torch.Size([2, 3])
維度：2
這里把矩陣變?yōu)?x2的矩陣：tensor([[ 1.3014,  1.0249],
        [ 0.8903, -0.4908],
        [-0.3393,  0.7987]])
這里把x展為1維向量：tensor([ 1.3014,  1.0249,  0.8903, -0.4908, -0.3393,  0.7987])
沒(méi)增加維度前：tensor([ 1.3014,  1.0249,  0.8903, -0.4908, -0.3393,  0.7987])   的維度 torch.Size([6])
增加一個(gè)維度: tensor([[ 1.3014,  1.0249,  0.8903, -0.4908, -0.3393,  0.7987]])
z的維度：torch.Size([1, 6])
z的個(gè)數(shù)：6

torch.view 與 torch.reshape 的異同

1. reshape()可以由torch.reshape()或者torch.Tensor.reshape()調(diào)用；而view()只可以由torch.Tensor.view()調(diào)用

2. 新的size必須與原來(lái)的size與stride兼容，否則，在view之前必須調(diào)用contiguous()方法

3. 同樣返回?cái)?shù)據(jù)量相同的但形狀不同的Tensor，若滿(mǎn)足view條件，則不會(huì)copy，若不滿(mǎn)足，就copy

4. 只想重塑，就使用torch.reshape，如果考慮內(nèi)存并共享，就用torch.view

   2.4.4 索引操作

常用選擇操作的函數(shù)

* index_select(input,dim,index)   在指定維度上選擇列或者行
* nonzero(input)                          獲取非0元素的下標(biāo)
* masked_select(input,mask)     使用二元值進(jìn)行選擇
* gather(input,dim,index)        指定維度選擇數(shù)據(jù)，輸出形狀與index一致
* scatter_(input,dim,index,src)    gather的反操作，根據(jù)指定索引補(bǔ)充數(shù)據(jù)

import torch# 設(shè)置一個(gè)隨機(jī)種子torch.manual_seed(100)# print(torch.manual_seed(100))x = torch.randn(2,3)
print(x)# 索引獲取第一行所有數(shù)據(jù)x[0,:]
print(x[0,:])# 獲取最后一列的數(shù)據(jù)x[:,-1]
print(x[:,-1])# 生成是否大于0的張量mask=x>0print(mask)# 獲取大于0的值torch.masked_select(x,mask)
print(torch.masked_select(x,mask))# 獲取非0下標(biāo)，即行、列的索引torch.nonzero(mask)
print(torch.nonzero(mask))# 獲取指定索引對(duì)應(yīng)的值，輸出根據(jù)以下規(guī)則得到# out[i][j] = input[index[i][j][j]]  # 如果 if dim == 0# out[i][j] = input[i][index[i][j]]  # 如果 if dim == 1index = torch.LongTensor([[0,1,1]])
print(index)
torch.gather(x,0,index)
index=torch.LongTensor([[0,1,1],[1,1,1]])
a = torch.gather(x,1,index)
print("a: ",a)# 把a(bǔ)的值返回到2x3的0矩陣中z = torch.zeros(2,3)
z.scatter_(1,index,a)# 輸出結(jié)果tensor([[ 0.3607, -0.2859, -0.3938],
        [ 0.2429, -1.3833, -2.3134]])
tensor([ 0.3607, -0.2859, -0.3938])
tensor([-0.3938, -2.3134])
tensor([[ True, False, False],
        [ True, False, False]])
tensor([0.3607, 0.2429])
tensor([[0, 0],
        [1, 0]])
tensor([[0, 1, 1]])
a:  tensor([[ 0.3607, -0.2859, -0.2859],
        [-1.3833, -1.3833, -1.3833]])
Out[25]:
tensor([[ 0.3607, -0.2859,  0.0000],
        [ 0.0000, -1.3833,  0.0000]])

2.4.5 廣播機(jī)制

import torch
import numpy as np
A = np.arange(0,40,10).reshape(4,1)
B = np.arange(0,3)
A1 = torch.from_numpy(A)   #形狀4x1
B1 = torch.from_numpy(B)   #形狀3
#自動(dòng)廣播
C=A1+B1
#也可以根據(jù)廣播機(jī)制手動(dòng)配置
# B1要與A1看齊，變成（1,3）
B2=B1.unsqueeze(0)
A2=A1.expand(4,3)
B3=B2.expand(4,3)
C1=A2+B3
print("A1:",A1)
print("B1:",B1)
print("C:",C)
print("B2:",B2)
print("A2:",A2)
print("B3:",B3)
print("C1:",C1)
# 輸出結(jié)果
A1: tensor([[ 0],
        [10],
        [20],
        [30]], dtype=torch.int32)
B1: tensor([0, 1, 2], dtype=torch.int32)
C: tensor([[ 0,  1,  2],
        [10, 11, 12],
        [20, 21, 22],
        [30, 31, 32]], dtype=torch.int32)
B2: tensor([[0, 1, 2]], dtype=torch.int32)
A2: tensor([[ 0,  0,  0],
        [10, 10, 10],
        [20, 20, 20],
        [30, 30, 30]], dtype=torch.int32)
B3: tensor([[0, 1, 2],
        [0, 1, 2],
        [0, 1, 2],
        [0, 1, 2]], dtype=torch.int32)
C1: tensor([[ 0,  1,  2],
        [10, 11, 12],
        [20, 21, 22],
        [30, 31, 32]], dtype=torch.int32)

2.4.6 逐元素操作

常見(jiàn)的逐元素操作

* abs   add                                     絕對(duì)值，加法
* addcdiv(t,v,t1,t2)                        t1與t2按元素除后，乘v加t
* addcmul(t,v,t1,t2)                       t1與t2按元素乘后，乘v加t
* ceil   floor                                  向上取整；向下取整
* clamp(t, min , max)                    將張量元素限制在指定區(qū)間
* exp   log   pow                            指數(shù)，對(duì)數(shù)，冪
* mul(  或  *  )   neg                       逐元素乘法，取反
* sigmoid   tanh    softmax            激活函數(shù)
* sign   sqrt                                   取符號(hào)，開(kāi)根號(hào)

import torch
t = torch.randn(1,3)
t1 = torch.randn(3,1)
t2 = torch.randn(1,3)
# t+0.1*(t1/t2)
a = torch.addcdiv(t, 0.1, t1, t2)
#計(jì)算sigmoid
b = torch.sigmoid(t)
# 將t限制在【0,1】之間
c = torch.clamp(t,0,1)
#t+2進(jìn)行直接運(yùn)算
t.add_(2)
print("t: ",t)
print("t1: ",t1)
print("t2: ",t2)
print("a: ",a)
print("b: ",b)
print("c: ",c)
# 結(jié)果
t:  tensor([[1.7266, 2.0815, 3.4672]])
t1:  tensor([[0.2309],
        [0.3393],
        [1.3639]])
t2:  tensor([[-0.5414, -1.4628, -0.4191]])
a:  tensor([[-0.3161,  0.0657,  1.4121],
        [-0.3361,  0.0583,  1.3863],
        [-0.5254, -0.0117,  1.1418]])
b:  tensor([[0.4321, 0.5204, 0.8126]])
c:  tensor([[0.0000, 0.0815, 1.0000]])

2.4.7 歸并操作

常用的歸并操作

* cumprod(t,axis)        在指定維度上對(duì)t進(jìn)行累積
* cumsum                    對(duì)指定維度進(jìn)行累加
* dist（a,b,p=2）         返回a,b之間的p階范數(shù)
* mean   ;  median       平均值，中位數(shù)
* std   var                    標(biāo)準(zhǔn)差       方差
* norm(t,p=2)               返回t的p階范數(shù)
* prod(t)   sum(t)           返回所有元素的積，和

import torch
a=torch.linspace(0,10,6)
#使用view變?yōu)?x3矩陣
a=a.view((2,3))
print("a: ",a)
# 沿著y軸方向累加，dim=0
b=a.sum(dim=0)
print("b: ",b)
# 沿著y軸方向累加，dim=0,并保留含1的維度
b=a.sum(dim=0,keepdim=True)
print("b: ",b)
# 結(jié)果
a:  tensor([[ 0.,  2.,  4.],
        [ 6.,  8., 10.]])
b:  tensor([ 6., 10., 14.])
b:  tensor([[ 6., 10., 14.]])

2.4.8 比較操作

常用的比較函數(shù)

* eq                                    是否相等
* equal                               是否相同的shape和值
* ge  /  le  /  gt  /  lt             大于、小于、大于等于、小于等于
* max  /  min  (t,axis)         返回最值，指定axis返回下標(biāo)
* topk(t,k,axis)                   在指定維度上取最高的k個(gè)值

import torch
x=torch.linspace(0,10,6).view(2,3)
print(torch.max(x))
print(torch.max(x,dim=0))
print(torch.topk(x,1,dim=0))
# 結(jié)果
tensor([[ 0.,  2.,  4.],
        [ 6.,  8., 10.]])
tensor(10.)
torch.return_types.max(
values=tensor([ 6.,  8., 10.]),
indices=tensor([1, 1, 1]))
torch.return_types.topk(
values=tensor([[ 6.,  8., 10.]]),
indices=tensor([[1, 1, 1]]))

2.4.9 矩陣操作

常用的矩陣函數(shù)

* dot(t1,t2)                                                       計(jì)算內(nèi)積
* mm(mat1,mat2)    bmm(batch1,batch2)       計(jì)算矩陣乘積，3D矩陣
* mv(t1,v1)                                                      計(jì)算矩陣與向量乘法
* t                                                                    轉(zhuǎn)置
* svd(t)                                                             計(jì)算SVD

import torch
a=torch.tensor([2,3])
b=torch.tensor([3,4])
print(torch.dot(a,b))
x=torch.randint(10,(2,3))
print(x)
y=torch.randint(6,(3,4))
print(y)
print(torch.mm(x,y))
x=torch.randint(10,(2,2,3))
print(x)
y=torch.randint(6,(2,3,4))
print(y)
print(torch.bmm(x,y))
#結(jié)果
tensor(18)
tensor([[1, 1, 1],
        [3, 1, 9]])
tensor([[1, 4, 4, 5],
        [1, 5, 2, 4],
        [2, 0, 3, 3]])
tensor([[ 4,  9,  9, 12],
        [22, 17, 41, 46]])
tensor([[[0, 9, 3],
         [7, 1, 4]],
        [[9, 6, 3],
         [2, 0, 1]]])
tensor([[[0, 5, 1, 3],
         [2, 4, 3, 1],
         [5, 2, 1, 1]],
        [[4, 3, 0, 0],
         [4, 5, 0, 4],
         [0, 0, 3, 3]]])
tensor([[[33, 42, 30, 12],
         [22, 47, 14, 26]],
        [[60, 57,  9, 33],
         [ 8,  6,  3,  3]]])

2.4.10 PyTorch與Numpy比較

PyTorch與Numpy函數(shù)對(duì)照表

2.5 Tensor與Autograd

2.5.1 自動(dòng)求導(dǎo)的要點(diǎn)

1. 創(chuàng)建葉子節(jié)點(diǎn)的Tensor，使用requires_grad指定是否需要對(duì)其進(jìn)行操作

2. 可以利用requiresgrad()方法修改Tensor的requires_grad屬性?？梢哉{(diào)用  .detach()或者 with torch.no_grad()

3. 自動(dòng)賦予grad_fn屬性，表示梯度函數(shù)。

4. 執(zhí)行backward()函數(shù)后，保存到grad屬性中了。計(jì)算完成，非葉子節(jié)點(diǎn)梯度會(huì)自動(dòng)釋放

5. backward()函數(shù)接收參數(shù)，維度相同。

6. 反向傳播的中間緩存會(huì)被清空，如果需要多次反向傳播，需指定backward中的retain_graph=True  多次反向傳播時(shí)，梯度累加

7. 非葉子節(jié)點(diǎn)的梯度backward 調(diào)用后即被清空

8. 用 torch.no_grad()包裹代碼塊形式阻止autograd去追蹤那些標(biāo)記為.requesgrad=True的張量歷史記錄

   2.5.2 計(jì)算圖

表達(dá)式z=wx+b

可以寫(xiě)成：y=wx    z=y+b

x,w,b為變量；y,z是計(jì)算得到的變量，不是葉子節(jié)點(diǎn)

根據(jù)鏈?zhǔn)椒▌t計(jì)算的

• z對(duì)x求導(dǎo)為w

• z對(duì)w求導(dǎo)為x

• z對(duì)b求導(dǎo)為1

  2.5.3 標(biāo)量反向傳播

主要步驟如下：

1. 定義葉子節(jié)點(diǎn)及算子節(jié)點(diǎn)

2. 查看葉子節(jié)點(diǎn)、非葉子節(jié)點(diǎn)的其他屬性

3. 自動(dòng)求導(dǎo)，實(shí)現(xiàn)梯度方向傳播，也就是梯度的反向傳播

分步進(jìn)行展示

（1）定義葉子節(jié)點(diǎn)及算子節(jié)點(diǎn)

import torch
# 定義輸入張量x
x=torch.Tensor([2])
# 初始化權(quán)重參數(shù)w,偏移量b，并設(shè)置require_grad屬性為T(mén)rue
w=torch.randn(1,requires_grad=True)
b=torch.randn(1,requires_grad=True)
# 實(shí)現(xiàn)前向傳播
y=torch.mul(w,x)   # 等價(jià)于w*x
z=torch.add(y,b)   # 等價(jià)于y+b
# 查看x,w,b葉子節(jié)點(diǎn)的requires_grad屬性
print("x,w,b葉子節(jié)點(diǎn)的requires_grad屬性分別為：{}，{}，{}".format(x.requires_grad,w.requires_grad,b.requires_grad))

運(yùn)行結(jié)果：

x,w,b葉子節(jié)點(diǎn)的requires_grad屬性分別為：False，True，True

（2）查看葉子節(jié)點(diǎn)、非葉子節(jié)點(diǎn)的其他屬性

# 查看非葉子節(jié)點(diǎn)的requires_grad屬性
print("y, z的requires_grad屬性分別為：{}，{}".format(y.requires_grad,z.requires_grad))
# 查看各節(jié)點(diǎn)是否為葉子節(jié)點(diǎn)
print("x, w, b, y, z是否為葉子節(jié)點(diǎn)：{}，{}，{}，{}，{}".format(x.is_leaf,w.is_leaf,b.is_leaf,y.is_leaf,z.is_leaf))
# 查看葉子節(jié)點(diǎn)的grad_fn屬性
print("x, w, b的 grad_fn屬性：{}，{}，{}".format(x.grad_fn,w.grad_fn,b.grad_fn))
# 查看非葉子節(jié)點(diǎn)的grad_fn屬性
print("y, z是否為葉子節(jié)點(diǎn)：{}，{}".format(y.grad_fn,z.grad_fn))

運(yùn)行結(jié)果：

y, z的requires_grad屬性分別為：True，True
x, w, b, y, z是否為葉子節(jié)點(diǎn)：True，True，True，F(xiàn)alse，F(xiàn)alse
x, w, b的 grad_fn屬性：None，None，None
y, z是否為葉子節(jié)點(diǎn)：<MulBackward0 object at 0x00000295C920E948>，<AddBackward0 object at 0x00000295C920EA48>

（3）自動(dòng)求導(dǎo)，實(shí)現(xiàn)梯度方向傳播，也就是梯度的反向傳播

# 基于張量z進(jìn)行求導(dǎo)，執(zhí)行backward后計(jì)算圖會(huì)自動(dòng)清空
z.backward()
# 如果需要多次使用backward，需要修改參數(shù)為retain_graph=True，此時(shí)梯度累加
# z.backward(retain_graph=True)
# 查看葉子節(jié)點(diǎn)的梯度，x是葉子節(jié)點(diǎn)但是無(wú)需求導(dǎo)，故梯度為None
print("參數(shù)w, b，x的梯度分別為：{},{},{}".format(w.grad,b.grad,x.grad))
# 非葉子節(jié)點(diǎn)的梯度，執(zhí)行backward后會(huì)自動(dòng)清空
print("非葉子節(jié)點(diǎn)y, z的梯度分別為：{},{}".format(y.grad,z.grad))

運(yùn)行結(jié)果：

參數(shù)w, b，x的梯度分別為：tensor([2.]),tensor([1.]),None
非葉子節(jié)點(diǎn)y, z的梯度分別為：None,None

2.5.4 非標(biāo)量的反向傳播

張量對(duì)張量的求導(dǎo)轉(zhuǎn)換成標(biāo)量對(duì)張量的求導(dǎo)

backward函數(shù)的格式

backward(gradient=None, retain_graph=None, create_graph=False)

舉例：

# (1)定義葉子節(jié)點(diǎn)及計(jì)算節(jié)點(diǎn)
import torch
# 定義葉子節(jié)點(diǎn)張量x，形狀為1x2
x = torch.tensor([[2, 3]], dtype=torch.float, requires_grad=True)
# 初始化雅可比矩陣
J = torch.zeros(2,2)
# 初始化目標(biāo)張量，形狀1x2
y = torch.zeros(1,2)
# 定義y與x之間的映射關(guān)系
# y1=x1**2 + 3*x2, y2=x2**2 + 2*x1
y[0, 0] = x[0, 0]**2+3*x[0, 1]
y[0, 1] = x[0, 1]**2+2*x[0, 0]
# 首先讓v=(1,0)得到y(tǒng)1對(duì)x的梯度
# 然后讓v=(0,1)得到y(tǒng)2對(duì)x的梯度
# 需要重復(fù)使用backward(),所以設(shè)置參數(shù)retain_graph=True
# 生成y1對(duì)x的梯度
y.backward(torch.Tensor([[1,0]]),retain_graph=True)
J[0]=x.grad
# 梯度是累加的，所以需要對(duì)x的梯度清零
x.grad = torch.zeros_like(x.grad)
# 生成y2對(duì)x的梯度
y.backward(torch.Tensor([[0,1]]))
J[1]=x.grad
# 顯示雅克比矩陣的值
print(J)

運(yùn)行結(jié)果：

tensor([[4., 3.],
        [2., 6.]])

2.6 使用Numpy實(shí)現(xiàn)機(jī)器學(xué)習(xí)

給出一個(gè)數(shù)組x，基于表達(dá)式y(tǒng)=3x^2+2，加上一些噪聲數(shù)據(jù)到達(dá)另一組數(shù)據(jù)y

構(gòu)建一個(gè)機(jī)器學(xué)學(xué)模型，學(xué)習(xí)y=wx^2+b中的2個(gè)參數(shù)，w和b，利用x，y數(shù)據(jù)為訓(xùn)練數(shù)據(jù)

## （1）導(dǎo)入所需要的庫(kù)
# -*- coding : utf-8 -*-
import numpy as np
%matplotlib inline
from matplotlib import pyplot as plt
## （2）生成隨機(jī)數(shù)據(jù)x及目標(biāo)y
# 設(shè)置隨機(jī)種子，生成同一份數(shù)據(jù)，方便多種方法比較
np.random.seed(100)
x = np.linspace(-1,1,100).reshape(100,1)
y = 3*np.power(x,2) + 2 + 0.2*np.random.rand(x.size).reshape(100,1)
## (3)查看x,y數(shù)據(jù)分布情況
plt.scatter(x,y)
plt.show()
## (4)初始化權(quán)重參數(shù)
w1 = np.random.rand(1,1)
b1 = np.random.rand(1,1)
## （5）訓(xùn)練模型
lr =0.001  # 學(xué)習(xí)率
for i in range(800):
    # 前向傳播
    y_pred = np.power(x,2)*w1+b1
    # 定義損失函數(shù)
    loss = 0.5 * (y_pred - y) **2
    loss = loss.sum
    # 計(jì)算梯度
    grad_w = np.sum((y_pred - y)*np.power(x,2))
    grad_b = np.sum(y_pred - y)
    # 使用梯度下降法，使得loss最小
    w1 -= lr * grad_w
    b1 -= lr * grad_b
## 可視化結(jié)果
plt.plot(x, y_pred, 'r-', label='predict')
plt.scatter(x,y,color='blue',marker='o',label='true')
plt.xlim(-1,1)
plt.ylim(2,6)
plt.legend()
plt.show()
print(w1,b1)

2.7 使用Tensor及Autograd實(shí)現(xiàn)機(jī)器學(xué)習(xí)

# （1） 導(dǎo)入所需要的庫(kù)
import torch as t
%matplotlib inline
from matplotlib import pyplot as plt
# (2)生成訓(xùn)練數(shù)據(jù)，并可視化數(shù)據(jù)分布情況
t.manual_seed(100)
dtype=t.float
# 生成x坐標(biāo)數(shù)據(jù)，x為tensor，需要把x的形狀轉(zhuǎn)換為100x1
x = t.unsqueeze(t.linspace(-1,1,100),dim=1)
# 生成y坐標(biāo)數(shù)據(jù)，y為tensor，形狀為100x1，加上一些噪聲
y = 3*x.pow(2)+ 2 + 0.2*t.rand(x.size())

# 畫(huà)圖，將tensor數(shù)據(jù)轉(zhuǎn)換為numpy數(shù)據(jù)
plt.scatter(x.numpy(),y.numpy())
plt.show()
# (3)初始化權(quán)重
# 隨機(jī)初始化參數(shù)，w,b需要學(xué)習(xí)，所以設(shè)定requires_grad=True
w = t.randn(1,1,dtype=dtype,requires_grad=True)
b = t.zeros(1,1,dtype=dtype,requires_grad=True)
# (4)訓(xùn)練模型
lr = 0.001 # 學(xué)習(xí)率
for ii in range(800):
    # 前向傳播，定義損失函數(shù)
    y_pred = x.pow(2).mm(w) + b
    loss = 0.5 * (y_pred - y) **2
    loss = loss.sum()

    # 自動(dòng)計(jì)算梯度
    loss.backward()

    # 手動(dòng)更新參數(shù)，使用torch.no_grad(),使上下文切斷自動(dòng)求導(dǎo)計(jì)算
    with t.no_grad():
        w -= lr * w.grad
        b -= lr * b.grad

    # 梯度清零
        w.grad.zero_()
        b.grad.zero_()

# (5)可視化訓(xùn)練結(jié)果
plt.plot(x.numpy(), y_pred.detach().numpy(), 'r-', label='predict')
plt.scatter(x.numpy(),y.numpy(),color='blue',marker='o',label='true')
plt.xlim(-1,1)
plt.ylim(2,6)
plt.legend()
plt.show()
print(w,b)

交流群

歡迎加入公眾號(hào)讀者群一起和同行交流，目前有SLAM、三維視覺(jué)、傳感器、自動(dòng)駕駛、計(jì)算攝影、檢測(cè)、分割、識(shí)別、醫(yī)學(xué)影像、GAN、算法競(jìng)賽等微信群（以后會(huì)逐漸細(xì)分），請(qǐng)掃描下面微信號(hào)加群，備注：”昵稱(chēng)+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺(jué)SLAM“。請(qǐng)按照格式備注，否則不予通過(guò)。添加成功后會(huì)根據(jù)研究方向邀請(qǐng)進(jìn)入相關(guān)微信群。請(qǐng)勿在群內(nèi)發(fā)送廣告，否則會(huì)請(qǐng)出群，謝謝理解~