qq_37108749的博客

import torch import torch.nn.functional as F import torch.optim as optimz from torchvision import transforms # 对图像处理 from torchvision import datasets # 数据的读取 from torch.utils.data import DataLoader # 加载和处理数据 [针对上面模块导入 datasets、transforms、DataLoader的介绍](

b站 刘二大人老师的讲解

这里知识引入了梯度下降的公式 以及可视化loss 和epoch import matplotlib.pyplot as plt x_data = [1.0,2.0,3.0] y_data = [2.0,4.0,6.0] w = 1.0 def forward(x): return w*x # 为看每次迭代后的整体cost def cost(x,y): cost = 0 for xs,ys in zip(x,y): y_pred = forward(xs)

是针对的课后作业 来实现的 老师的课听了好几遍才大致理解整个的流程 import torch import matplotlib.pyplot as plt x_data = [1.0,2.0,3.0] y_data = [2.0,4.0,6.0] w1 = torch.Tensor([1.0]) w2 = torch.Tensor([1.0]) b = torch.Tensor([1.0]) w1.requires_grad = True w2.requires_grad = True b.requ

看代码和自己理解去敲的时候真的是两码事，发现很多问题记录下来 import torch import matplotlib.pyplot as plt x_data = torch.Tensor([[1.0], [2.0], [3.0]]) y_data = torch.Tensor([[2.0], [4.0], [6.0]]) class Linearmodule(torch.nn.Module): # 构造类 def __init__(self): super(Linea

老师给的糖尿病数据集 使用了不同的优化器优化 出现过拟合问题 效果不好并记录一下 强调步骤 记于脑中 1.数据处理 2.模型构造 3.选择 loss 和 optimizer 4.训练数据 import torch import numpy as np import matplotlib.pyplot as plt # 1.数据准备 xy = np.loadtxt('diabetes.csv.gz', delimiter=',', dtype=np.float32) # 数据的加载 用逗号做分割，设定数据类