PyTorch 학습 노트 의 귀환 실전

본 고 는 주로 PyTorch 로 간단 한 회귀 임 무 를 실현 한다.
편집기:spyder
1.해당 패키지 도입 및 위조 데이터 생 성

import torch
import torch.nn.functional as F #         
import matplotlib.pyplot as plt #      
from torch.autograd import Variable

#      
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim = 1)
y = x.pow(2) + 0.2 * torch.rand(x.size())

#   Variable
x, y = Variable(x), Variable(y)

그 중에서 torch.linspace 은 연속 적 으로 중단 되 는 데 이 터 를 만 들 기 위해 첫 번 째 매개 변 수 는 출발점 을 나타 내 고 두 번 째 매개 변 수 는 종점 을 나타 내 며 세 번 째 매개 변 수 는 이 구간 을 평균 몇 부 로 나 누 어 몇 개의 데 이 터 를 생 성 하 는 것 을 나타 낸다.torch 는 2 차원 데이터 만 처리 할 수 있 기 때문에 우 리 는 torch.unsqueeze 으로 의사 데이터 에 차원 을 추가 하고 dim 은 몇 번 째 차원 에 추가 하 는 것 을 표시 합 니 다.torch.rand 은[0,1)간 의 균일 한 분 포 를 되 돌려 준다.
2.데이터 그림 그리 기
상기 코드 뒤에 아래 코드 를 추가 한 다음 에 위조 데 이 터 를 실행 할 수 있 는 도형 화 표시:

#       
plt.scatter(x.data.numpy(), y.data.numpy())
plt.show()

3.신경 망 구축

class Net(torch.nn.Module):
 def __init__(self, n_feature, n_hidden, n_output):
  super(Net, self).__init__()
  self.hidden = torch.nn.Linear(n_feature, n_hidden) # hidden layer
  self.predict = torch.nn.Linear(n_hidden, n_output) # output layer

 def forward(self, x):
  x = F.relu(self.hidden(x))  # activation function for hidden layer
  x = self.predict(x)    # linear output
  return x

net = Net(n_feature=1, n_hidden=10, n_output=1)  # define the network
print(net) # net architecture

일반 신경 망 의 류 는 모두 torch.nn.Module 에서 계승 되 고 __init__() forward() 두 함 수 는 사용자 정의 류 의 주요 함수 이다.__init__() 에 super(Net, self).__init__()， 을 추가 해 야 합 니 다.이것 은 고정된 표준 표기 법 으로 부모 류 의 초기 화 함 수 를 계승 하 는 데 사 용 됩 니 다.__init__() 에 서 는 신경 망 모듈 에 대해 서 만 성명 을 했 을 뿐 실제 구축 은 forwad() 에서 이 루어 졌 다.사용자 정의 클래스 의 구성원 들 은 모두 self 지침 을 통 해 접근 하기 때문에 매개 변수 목록 에는 self 가 포함 되 어 있 습 니 다.
네트워크 구 조 를 보 려 면 print() 함수 로 네트워크 를 직접 인쇄 할 수 있다.본 논문 의 네트워크 구조 출력 은 다음 과 같다.

Net (
 (hidden): Linear (1 -> 10)
 (predict): Linear (10 -> 1)
)

4.트 레이 닝 네트워크

#   100 
for t in range(100):
 prediction = net(x)  # input x and predict based on x

 loss = loss_func(prediction, y)  #         ，     (1. nn output, 2. target)

 optimizer.zero_grad() # clear gradients for next train
 loss.backward()   # backpropagation, compute gradients
 optimizer.step()  # apply gradients

네트워크 를 훈련 하기 전에 우 리 는 우선 최적화 기와 손실 함 수 를 정의 해 야 한다.torch.optim 가방 에는 각종 최적화 기 가 포함 되 어 있 습 니 다.여기 서 우 리 는 가장 흔히 볼 수 있 는 SGD 를 최적화 기로 선택 합 니 다.우 리 는 네트워크 의 매개 변 수 를 최적화 시 켜 야 하기 때문에 우 리 는 네트워크 의 매개 변 수 를 net.parameters() 최적화 기 에 전송 하고 학습 율(보통 1 보다 작 음)을 설정 해 야 한다.
이곳 은 회귀 임무 이기 때문에 우 리 는 torch.nn.MSELoss() 을 손실 함수 로 선택 했다.
최적화 기 는 경사도 를 기반 으로 파 라 메 터 를 최적화 시 키 고 경사도 가 저 장 됩 니 다.그래서 매번 최적화 하기 전에 optimizer.zero_grad() 을 통 해 경사도 를 0 으로 한 다음 에 전파 하고 업데이트 해 야 한다.
5.가시 화 훈련 과정

plt.ion() # something about plotting

for t in range(100):
 ...

 if t % 5 == 0:
  # plot and show learning process
  plt.cla()
  plt.scatter(x.data.numpy(), y.data.numpy())
  plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
  plt.text(0.5, 0, 'Loss=%.4f' % loss.data[0], fontdict={'size': 20, 'color': 'red'})
  plt.pause(0.1)

plt.ioff()
plt.show()

6.실행 결과

이상 이 바로 본 고의 모든 내용 입 니 다.여러분 의 학습 에 도움 이 되 고 저 희 를 많이 응원 해 주 셨 으 면 좋 겠 습 니 다.