Pytorch深度实践入门 第四讲作业 反向传播

b站视频：《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili第四讲作业 

我这里是采用了所有的数据集进行学习，若训练集太多，就要采用mini_batch

import torch
import matplotlib.pyplot as plt
import numpy as np
# s数据集
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

# 设置初始值并梯度追踪
w1 = torch.Tensor([1.0])
w2 = torch.Tensor([1.0])
b = torch.Tensor([1.0])
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 - y_pred) ** 2


# 损失函数列表
loss_list = []

for epoch in range(100):
    loss_val = torch.Tensor([0.0])
    for x, y in zip(x_data, y_data):
        loss_val += loss(x, y)
    loss_val = loss_val / len(x_data)  # 全部数据集的均方误差
    loss_list.append(loss_val.item())
    loss_val.backward()  # 反向传播
    w1.data = w1.data - 0.01 * w1.grad.data  # 这里用data，是因为这一步我们不需要计算这个运算的梯度，只是单纯的改变值
    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_()
    print(f'epoch={epoch},loss_val={loss_val.item()},w1={w1.data},w2={w2.data},b={b.data}')

# 输出预测值
print(forward(4).item())

# 画图
plt.plot(np.arange(100), loss_list)
plt.xlabel('epoch')
plt.ylabel('loss')
plt.show()

 如有错误，望指出，谢谢！