pytorch 学习笔记第一节-优快云博客

本文通过使用PyTorch实现简单的线性回归模型，详细介绍了如何定义模型、损失函数及优化过程。从初始化参数到训练模型，展示了梯度下降法调整权重的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import torch

x_data =[1.0,2.0,3.0]
y_data = [2.0,4.0,6.0]
w = torch. Tensor([1.0])       #一定要加 ‘’[]‘’ ,否则则会输出纯0的矩阵，例如 写w=torch.Tensor(3,5)则输出三行五列的0Tensor变量，加上括号才是[3.,5.]
w.requires_grad = True     #只有requires_grad = True ，才可以计算反向梯度，这句话也可以在Tensor(requires_grad = True )直接定义


def forward(x) :
    return x * w      #这里w为Tesnor变量，x虽然不是Tensor变量，但是相乘之后也会自动转化为Tensor变量
def loss (x,y):
    y_pred = forward (x)
    return (y_pred-y)** 2


print ('predict (before training)',4,forward(4).item())
for epoch in range(100):
    for x,y in zip(x_data, y_data):
        l = loss(x,y)
        l. backward()							#计算反向梯度，此时loss函数建立的计算图被释放，等待下一次建立（每次计算图不一定是一成不变，如dropout随机失活可能改变计算图）
        print('\tgrad:',x,y,w. grad.item())     #item函数可以将Tensor变量转换python变量类型
        w.data = w.data -0.01 * w.grad.data      #这里grad.data使用data进行计算不会产生计算图
        w.grad.data.zero_()                                     #梯度一定要清零，否则下次梯度会迭代增加
    print(" progress:",epoch,l.item())
print(" predict (after training)",4,forward(4).item())