1. 过程说明

在pytorch中进行模型构建的整个流程一般分为四个步骤：

• 准备训练集数据

• 构建要使用的模型

• 设置损失函数和优化器

• 模型训练

要使用的API：

• 使用 PyTorch 的 nn.MSELoss() 代替平方损失函数

• 使用 PyTorch 的 data.DataLoader 代替数据加载器

• 使用 PyTorch 的 optim.SGD 代替优化器

• 使用 PyTorch 的 nn.Linear 代替假设函数

2. 代码

import torch from torch.utils.data import TensorDataset # 构造数据集对象 from torch.utils.data import DataLoader # 数据加载器 from torch import nn # nn模块中有平方损失函数和假设函数 from torch import optim # optim模块中有优化器函数 from sklearn.datasets import make_regression # 创建线性回归模型数据集 import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 # 构造数据集 def create_dataset(): x, y, coef = make_regression(n_samples=100, n_features=1, noise=10, coef=True, bias=14.5, random_state=0) # 将构建数据转换为张量类型 x = torch.tensor(x) y = torch.tensor(y) return x, y, coef # 训练模型 def train(): # 构造数据集 x, y, coef = create_dataset() # 构造数据集对象 dataset = TensorDataset(x, y) # 构造数据加载器 # dataset=:数据集对象 # batch_size=:批量训练样本数据 # shuffle=:样本数据是否进行乱序 dataloader = DataLoader(dataset=dataset, batch_size=16, shuffle=True) # 构造模型 # in_features指的是输入的二维张量的大小，即输入的[batch_size, size]中的size # out_features指的是输出的二维张量的大小，即输出的[batch_size，size]中的size model = nn.Linear(in_features=1, out_features=1) # 构造平方损失函数 criterion = nn.MSELoss() # 构造优化函数 # params=model.parameters():训练的参数,w和b # lr=1e-2:学习率, 1e-2为10的负二次方 print("w和b-->", list(model.parameters())) print("w-->", model.weight) print("b-->", model.bias) optimizer = optim.SGD(params=model.parameters(), lr=1e-2) # 初始化训练次数 epochs = 100 # 损失的变化 epoch_loss = [] total_loss=0.0 train_sample=0.0 for _ in range(epochs): for train_x, train_y in dataloader: # 将一个batch的训练数据送入模型 y_pred = model(train_x.type(torch.float32)) # 计算损失值,均方误差,当前批次所有样本的平均误差 loss = criterion(y_pred, train_y.reshape(-1, 1).type(torch.float32)) total_loss += loss.item() # loss是平均误差,所以样本数+1 train_sample += 1 # 梯度清零 optimizer.zero_grad() # 自动微分(反向传播) loss.backward() # 更新参数 optimizer.step() # 计算所有batch的平均误差作为当前epoch的误差 epoch_loss.append(total_loss/train_sample) # 打印回归模型的w print(model.weight) # 打印回归模型的b print(model.bias) # 绘制损失变化曲线 plt.plot(range(epochs), epoch_loss) plt.title('损失变化曲线') plt.grid() plt.show() # 绘制拟合直线 plt.scatter(x, y) x = torch.linspace(x.min(), x.max(), 1000) y1 = torch.tensor([v * model.weight + model.bias for v in x]) y2 = torch.tensor([v * coef + 14.5 for v in x]) plt.plot(x, y1, label='训练') plt.plot(x, y2, label='真实') plt.grid() plt.legend() plt.show() if __name__ == '__main__': train()