第二章 Pytorch基础 Chapter 2-7使用Tensor及Autograd实现机器学习

最新推荐文章于 2024-09-01 23:18:48 发布

小朱智能驾驶

最新推荐文章于 2024-09-01 23:18:48 发布

阅读量281

点赞数

分类专栏： Pytorch学习

本文链接：https://blog.youkuaiyun.com/weixin_37532614/article/details/106452994

版权

Pytorch学习专栏收录该内容

11 篇文章

订阅专栏

本文通过PyTorch的自动求导包autograd和Tensor，实现了一个简单的二次多项式拟合任务，展示了如何利用自动反向传播求梯度，避免了手动计算梯度的复杂过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

第二章 Pytorch基础 Chapter 2-7使用Tensor及Autograd实现机器学习

本节使用PyTorch的一个自动求导的包——autograd，利用这个包及对应的Tensor，便可利用自动反向传播来求梯度，无须手动计算梯度。

#! /usr/bin/env python3
# coding=utf-8

import torch as t
from matplotlib import pyplot as plt
from torch.autograd import Variable as V

t.manual_seed(100)
dtype = t.float
x = V(t.unsqueeze(t.linspace(-1, 1, 100), dim=1))
y = 3 * x.pow(2) + 2 + 0.2 * t.rand(x.size())

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

w = t.randn(1, 1, dtype=dtype, requires_grad=True)
b = t.zeros(1, 1, dtype=dtype, requires_grad=True)

lr = 0.001

for ii in range(800):
    y_pred = x.pow(2).mm(w) + b
    
    loss = 0.5 * (y_pred - y).pow(2)
    loss = loss.sum()
    loss.backward()
    
    with t.no_grad():
        w -= lr * w.grad
        b -= lr * b.grad
        
        w.grad.zero_()
        b.grad.zero_()
        
plt.plot(x.numpy(), y_pred.detach().numpy(), 'r-', label='predict')
plt.scatter(x.numpy(), y.numpy(), color='blue',marker='o',label='ture')
plt.xlim(-1, 1)
plt.ylim(2, 6)
plt.legend()
plt.show()
print(w, b)