這篇文章主要介紹了pytorch實現(xiàn)梯度下降和反向傳播，反向傳播的目的是計算成本函數(shù)C對網(wǎng)絡中任意w或b的偏導數(shù)。一旦我們有了這些偏導數(shù)，我們將通過一些常數(shù)α的乘積和該數(shù)量相對于成本函數(shù)的偏導數(shù)來更新網(wǎng)絡中的權重和偏差

反向傳播

這里說一下我的理解，反向傳播是相對于前向計算的，以公式J（a,b,c）=3(a+bc)為例，前向計算相當于向右計算J（a,b,c）的值，反向傳播相當于反過來通過y求變量a，b，c的導數(shù)，如下圖

手動完成線性回歸

import torch
import numpy as np
from matplotlib import pyplot as plt
"""
假設模型為y=w*x+b
我們給出的訓練數(shù)據(jù)是通過y=3*x+1，得到的，其中w=3，b=1
通過訓練y=w*x+b觀察訓練結果是否接近于w=3，b=1
"""
# 設置學習率
learning_rate=0.01
#準備數(shù)據(jù)
x=torch.rand(500,1) #隨機生成500個x作為訓練數(shù)據(jù)
y_true=x*3+1 #根據(jù)模型得到x對應的y的實際值
#初始化參數(shù)
w=torch.rand([1,1],requires_grad=True) #初始化w
b=torch.rand(1,requires_grad=True,dtype=torch.float32) #初始化b
#通過循環(huán)，反向傳播，更新參數(shù)
for i in range(2000):
    # 通過模型計算y_predict
    y_predict=torch.matmul(x,w)+b #根據(jù)模型得到預測值
    #計算loss
    loss=(y_true-y_predict).pow(2).mean()
    #防止梯度累加，每次計算梯度前都將其置為0
    if w.grad is not None:
        w.grad.data.zero_()
    if b.grad is not None:
        b.grad.data.zero_()
    #通過反向傳播，記錄梯度
    loss.backward()
    #更新參數(shù)
    w.data=w.data-learning_rate*w.grad
    b.data=b.data-learning_rate*b.grad
    # 這里打印部分值看一看變化
    if i%50==0:
        print("w,b,loss:",w.item(),b.item(),loss.item())
#設置圖像的大小
plt.figure(figsize=(20,8))
#將真實值用散點表示出來
plt.scatter(x.numpy().reshape(-1),y_true.numpy().reshape(-1))
#將預測值用直線表示出來
y_predict=torch.matmul(x,w)+b
plt.plot(x.numpy().reshape(-1),y_predict.detach().numpy().reshape(-1),c="r")
#顯示圖像
plt.show()

pytorch API完成線性回歸

優(yōu)化器類

優(yōu)化器（optimizer），可以理解為torch為我們封裝的用來進行更新參數(shù)的方法，比如常見的隨機梯度下降（stochastic gradient descent，SGD）

優(yōu)化器類都是由torch.optim提供的，例如

torch.optim.SGD(參數(shù)，學習率)
torch.optim.Adam(參數(shù)，學習率)

注意：

參數(shù)可以使用model.parameters()來獲取，獲取模型中所有requires_grad=True的參數(shù)
優(yōu)化類的使用方法

①實例化

②所有參數(shù)的梯度，將其置為0

③反向傳播計算梯度

④更新參數(shù)值

實現(xiàn)

import torch
from torch import nn
from torch import optim
from matplotlib import pyplot as plt
import numpy as np
# 1.定義數(shù)據(jù),給出x
x=torch.rand(50,1)
# 假定模型為y=w*x+b，根據(jù)模型給出真實值y=x*3+0.8
y=x*3+0.8
# print(x)
#2.定義模型
class Lr(torch.nn.Module):
    def __init__(self):
        super(Lr, self).__init__()
        self.linear = torch.nn.Linear(1, 1)
    def forward(self, x):
        out = self.linear(x)
        return out
# 3.實例化模型、loss、優(yōu)化器
model=Lr()
criterion=nn.MSELoss()
# print(list(model.parameters()))
optimizer=optim.SGD(model.parameters(),lr=1e-3)
# 4.訓練模型
for i in range(30000):
    out=model(x) #獲取預測值
    loss=criterion(y,out) #計算損失
    optimizer.zero_grad() #梯度歸零
    loss.backward() #計算梯度
    optimizer.step() #更新梯度
    if (i+1)%100 ==0:
        print('Epoch[{}/{}],loss:{:.6f}'.format(i,30000,loss.data))
# 5.模型評估
model.eval() #設置模型為評估模式，即預測模式
predict=model(x)
predict=predict.data.numpy()
plt.scatter(x.data.numpy(),y.data.numpy(),c="r")
plt.plot(x.data.numpy(),predict)
plt.show()

到此這篇關于pytorch實現(xiàn)梯度下降和反向傳播圖文詳細講解的文章就介紹到這了,更多相關pytorch梯度下降和反向傳播內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: