Tensor的基本操作

最新推荐文章于 2024-11-21 20:27:27 发布

原创最新推荐文章于 2024-11-21 20:27:27 发布 · 576 阅读

2 ·

CC 4.0 BY-SA版权

本文深入探讨了张量操作，包括拼接、切分、索引和变换，并利用PyTorch库实现了线性回归模型。通过具体示例，展示了如何创建训练数据、构造模型参数、进行前向传播、计算损失、反向传播以及更新参数。

部署运行你感兴趣的模型镜像

Tensor操作

张量操作
数学运算
实现线性回归

张量操作

张量的拼接和切分

在这里插入图片描述
cat不会扩张维度，stack会在新创建的维度上拼接

切分

在这里插入图片描述

张量的索引

在这里插入图片描述
索引要为torch.long

通过.ge.gt的方法生成布尔张量

张量变换

在这里插入图片描述
-1表明该维的变换根据其他维度

数学运算

在这里插入图片描述

实现线性回归

在这里插入图片描述

import torch
import matplotlib.pyplot as plt
torch.manual_seed(10)

lr = 0.1

#创建训练数据
x = torch.rand(20,1)*10
y = 2*x +(2+torch.rand(20,1))

#构造线性回归参数
w = torch.randn((1),requires_grad=True)
b = torch.zeros((1),requires_grad=True)

for iteration in range(1000):
    #前向传播
    wx = torch.mul(w,x)
    y_pred = torch.add(wx,b)
    #计算MSE
    loss = (0.5*(y-y_pred)**2).mean()
    #反向传播(自动求导)
    loss.backward()
    #更新参数
    b.data.sub_(lr*b.grad)
    w.data.sub_(lr*w.grad)

    if iteration % 20 == 0:
        plt.scatter(x.data.numpy(),y.data.numpy())
        plt.plot(x.data.numpy(),y_pred.data.numpy(),'r-',lw = 5)
        plt.text(2,20,'Loss=%.4f'%loss.data.numpy(),fontdict={'size':20,'color':'red'})
        plt.xlim(1.5,20)
        plt.ylim(8,28)
        plt.title('Iteration:{}\nw:{} b:{}'.format(iteration,w.data.numpy(),b.data.numpy()))
        plt.pause(0.5)

        if loss.data.numpy()<1:
            break

您可能感兴趣的与本文相关的镜像