Pytorch深度学习实践

今天不熬夜⁠

于 2023-03-08 23:50:23 发布

阅读量143

点赞数 1

文章标签：深度学习 pytorch 人工智能

本文链接：https://blog.youkuaiyun.com/weixin_53356632/article/details/129414318

版权

该代码示例展示了如何用PyTorch实现一个简单的二维线性模型，通过梯度下降法进行训练。模型包含两个权重w1和w2以及偏置b，对给定数据(x_data,y_data)进行拟合，并输出训练过程中的梯度和损失值。最终，模型被用于预测新的输入值(5)。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

刘二大人Exercise4-4

import torch
x_data = [1.0,2.0,3.0,4.0]
y_data = [3.0,8.0,15.0,24.0]
w1 = torch.tensor([2.0])
w2 = torch.tensor([3.0])
b = torch.tensor([0.0])
w1.requires_grad = True
w2.requires_grad = True
b.requires_grad = True
def forward(x):
  return w1*x**2+w2*x+b
def loss(x,y):
  y_pred = forward(x)
  return (y_pred-y)**2
print('Predict(before training)',5,forward(5).item())
for epoch in range(100):
  for x,y in zip(x_data,y_data):
    l = loss(x,y)
    l.backward()
    print('\grad',x,y,w1.grad.item(),w2.grad.item(),b.grad.item())
    w1.data = w1.data - 0.01*w1.grad.item()
    w2.data = w2.data - 0.01*w2.grad.item()
    b.data = b.data - 0.01*b.grad.item()
    w1.grad.data.zero_()
    w2.grad.data.zero_()
    b.grad.data.zero_()
    print('Process:',epoch,l.item())
print('Predict(after training)',5,forward(5).item())