Pytorch反向传播实现——up主：刘二大人《PyTorch深度学习实践》

不吃水果的太空人

已于 2023-03-29 20:03:39 修改

阅读量318

点赞数

分类专栏： Pytorch学习笔记文章标签： python 开发语言

于 2023-03-29 17:47:49 首次发布

本文链接：https://blog.youkuaiyun.com/weixin_44223180/article/details/129841833

版权

Pytorch学习笔记专栏收录该内容

10 篇文章

订阅专栏

该教程演示了如何在PyTorch中用梯度下降优化算法训练一个简单的线性回归模型。通过定义模型、损失函数和反向传播计算梯度，逐步更新权重和偏置，最终展示了训练过程及预测结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

教程： https://www.bilibili.com/video/BV1Y7411d7Ys?p=2&vd_source=715b347a0d6cb8aa3822e5a102f366fe
数据集：
$x_{data} = [1.0, 2.0, 3.0] \\y_{data} = [2.0, 4.0, 6.0]$
参数初始值：
$w_1=1.0\\w_2=1.0\\b=1.0$
模型：
$y = w_1*x^2+w_2*x+b$

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])
w1.requires_grad = True
w2 = torch.Tensor([1.0])
w2.requires_grad = True
b = torch.Tensor([1.0])
b.requires_grad = True

epoch_p = []
loss_p = []

def forward(x):
  return w1 * x ** 2 + w2 * x + b

def loss(x, y):
  y_pred = forward(x)
  return (y_pred - y) ** 2

for epoch in range(100):
  for x, y in zip(x_data, y_data):
    l = loss(x, y)
    l.backward()
    print('\tgrad:', x, y, w1.grad.item(), w2.grad.item(), b.grad.item())
    w1.data = w1.data - 0.01 * w1.grad.data
    w2.data = w2.data - 0.01 * w2.grad.data
    b.data = b.data - 0.01 * b.grad.data
    w1.grad.data.zero_()
    w2.grad.data.zero_()
    b.grad.data.zero_()
    loss_p.append(l.item())
    epoch_p.append(epoch)
  print('Epoch:', epoch, l.item())

print("predict(aftertraining)",4,forward(4).item())
plt.figure()
plt.plot(epoch_p, loss_p, c = 'b')
plt.xlabel('Epoch')
plt.ylabel('loss')
plt.show()

在这里插入图片描述