小白的进阶之路-人工智能从初步到精通pytorch的基本流程详解-1
Pytorch大致流程一览表：
| 主题 | 内容 |
|---|---|
| 1 准备数据 | 数据几乎可以是任何东西，但在开始之前，我们将创建一条简单的直线 |
| 2 建立模型 | 在这里，我们将创建一个模型来学习数据中的模式，我们还将选择损失函数，优化器并构建一个训练循环。 |
| 3 拟合模型 | 我们已经有了数据和模型，现在让模型尝试在（训练）数据中找到模式。 |
| 4预测和评估模型（推断） | 我们的模型在数据中发现了模式，让我们将其发现与实际（测试）数据进行比较。 |
| 5 保存和载入模型 | 您可能希望在其他地方使用您的模型，或者稍后再使用它，我们将在这里介绍它。 |
| 6 结合 | 让我们把上面所有的东西结合起来。 |
好了，现在我们开始！
我们去将使用torch，torch.nn （nn代表神经网络，这个包包含在PyTorch中创建神经网络的构建块）和matplotlib。
import torch
from torch import nn # nn contains all of PyTorch's building blocks for neural networks
import matplotlib.pyplot as plt# Check PyTorch version
print(torch.__version__)
输出为：
2.7.0+cu118
下面进入第一个主题
1 数据准备
机器学习是一个由两部分组成的游戏：
首先，把你的数据，不管它是什么，转换成数字（一种表示）。
最后，选择或构建一个模型来尽可能地学习表征。
有时这两个步骤可以同时完成。
但是如果你没有数据呢？
嗯，这就是我们现在的处境。
没有数据。
但是我们可以创造一些。
让我们将数据创建为一条直线。
我们将使用线性回归来创建具有已知参数的数据（可以通过模型学习的东西），然后我们将使用PyTorch来查看我们是否可以构建模型来使用梯度下降来估计这些参数。
如果上面的术语现在没有多大意义，不要担心，我们将看到它们的实际应用，我将在下面提供额外的资源，以便您可以了解更多信息。
# Create *known* parameters
weight = 0.7
bias = 0.3# Create data
start = 0
end = 1
step = 0.02
X = torch.arange(start, end, step).unsqueeze(dim=1)
y = weight * X + biasprint(X[:10])
print( y[:10])
输出为：
tensor([[0.0000],[0.0200],[0.0400],[0.0600],[0.0800],[0.1000],[0.1200],[0.1400],[0.1600],[0.1800]])
tensor([[0.3000],[0.3140],[0.3280],[0.3420],[0.3560],[0.3700],[0.3840],[0.3980],[0.4120],[0.4260]])
现在我们将着手构建一个可以学习X（特征）和y（标签）之间关系的模型。
将数据分成训练集和测试集
我们有一些数据。
但在我们建立模型之前，我们需要把它拆开。
机器学习项目中最重要的步骤之一是创建一个训练和测试集（如果需要，还可以创建一个验证集）。
数据集的每次拆分都有一个特定的目的：
| 拆分项 | 目的 | 数据比例 | 频率 |
|---|---|---|---|
| 训练集 | 模型从这些数据中学习（比如你在学期中学习的课程材料） | 60~80% | 总是 |
| 验证集 | 模型会根据这些数据进行调整（就像期末考试前的练习考试一样） | 10~20% | 经常 |
| 测试集 | 模型根据这些数据进行评估，以测试它学到了什么（就像你在学期末参加的期末考试一样） | 10~20% | 总是 |
现在，我们只使用一个训练和测试集，这意味着我们将有一个数据集供我们的模型学习和评估。
我们可以通过分割X和y张量来创建它们。
[!CAUTION]
注意：当处理真实数据时，这一步通常在项目开始时完成（测试集应该始终与所有其他数据分开）。我们希望我们的模型从训练数据中学习，然后在测试数据上评估它，以获得它对未见过的例子的泛化程度的指示。
# Create train/test split
train_split = int(0.8 * len(X)) # 80% of data used for training set, 20% for testing
X_train, y_train = X[:train_split], y[:train_split]
X_test, y_test = X[train_split:], y[train_split:]print(len(X_train))
print( len(y_train))
print( len(X_test))
print( len(y_test))
输出为：
40
40
10
10
很好，我们有40个训练样本（X_train & y_train）和10个测试样本（X_test & y_test）。
我们创建的模型将尝试学习X_train和y_train之间的关系，然后我们将评估它在X_test和y_test上的学习结果。
但现在我们的数据只是页面上的数字。
让我们创建一个函数来形象化。
def plot_predictions(train_data=X_train, train_labels=y_train, test_data=X_test, test_labels=y_test, predictions=None):"""Plots training data, test data and compares predictions."""plt.figure(figsize=(10, 7))# Plot training data in blueplt.scatter(train_data, train_labels, c="b", s=4, label="Training data")# Plot test data in greenplt.scatter(test_data, test_labels, c="g", s=4, label="Testing data")if predictions is not None:# Plot the predictions in red (predictions were made on the test data)plt.scatter(test_data, predictions, c="r", s=4, label="Predictions")# Show the legendplt.legend(prop={"size": 14});plot_predictions()
plt.show()
结果为：
现在我们的数据不再是纸上的数字，而是一条直线。
[!CAUTION]
注意：现在是向您介绍数据浏览器的座右铭的好时机……“具象化！”
当你在处理数据并将其转化为数字时，想想这个，如果你能将一些东西形象化，它就会对理解产生神奇的作用。
机器喜欢数字，我们人类也喜欢数字，但我们也喜欢观察事物。
2 构建模型
现在我们有了一些数据，让我们建立一个模型，用蓝点来预测绿点。
我们马上就开始。
我们将首先编写代码，然后解释所有内容。
让我们使用纯PyTorch复制一个标准线性回归模型。
# Create a Linear Regression model class
class LinearRegressionModel(nn.Module): # <- almost everything in PyTorch is a nn.Module (think of this as neural network lego blocks)def __init__(self):super().__init__() self.weights = nn.Parameter(torch.randn(1, # <- start with random weights (this will get adjusted as the model learns)dtype=torch.float), # <- PyTorch loves float32 by defaultrequires_grad=True) # <- can we update this value with gradient descent?)self.bias = nn.Parameter(torch.randn(1, # <- start with random bias (this will get adjusted as the model learns)dtype=torch.float), # <- PyTorch loves float32 by defaultrequires_grad=True) # <- can we update this value with gradient descent?))# Forward defines the computation in the modeldef forward(self, x: torch.Tensor) -> torch.Tensor: # <- "x" is the input data (e.g. training/testing features)return self.weights * x + self.bias # <- this is the linear regression formula (y = m*x + b)
好了，上面有很多内容，但是让我们一点一点地分解。
PyTorch模型构建要领
PyTorch有四个基本模块，你可以用它来创建几乎任何你能想到的神经网络。
他们是torch. nn, torch. optim, torch.utils.data.Dataset 以及torch.utils.data.DataLoader.。现在，我们将重点关注前两个，稍后再讨论另外两个（尽管您可能能够猜到它们的作用）。
| PyTorch 模块 | 功能 |
|---|---|
| torch. nn | 包含计算图的所有构建块（本质上是以特定方式执行的一系列计算） |
| torch.nn.Parameter | 存储可与nn. module一起使用的张量。如果requires_grad=True梯度（用于通过梯度下降更新模型参数）是自动计算的，这通常被称为“autograd” |
| torch.nn.Module | 所有神经网络模块的基类，神经网络的所有构建块都是子类。如果你在PyTorch中构建一个神经网络，你的模型应该继承nn.Module。需要实现forward（）方法。 |
| torch.optim | 包含各种优化算法(这些算法告诉模型参数存储在nn中。参数如何最好地改变，以改善梯度下降，从而减少损失)。 |
| def forward() | 所有的神经网络。模块子类需要forward（）方法，该方法定义了将在传递给特定nn的数据上进行的计算。模块（例如上面的线性回归公式） |
如果上面听起来很复杂，可以这样想，PyTorch神经网络中的几乎所有内容都来自torch.nn，
torch.nn.Module包含较大的构建块（层）
torch.nn.Parameter包含较小的参数，如权重和偏差（将这些放在一起创建nn. module (s)）
forward() 告诉较大的块如何对nn. module (s)中的输入（充满数据的张量）进行计算。
torch.optim包含了如何改进nn内参数的优化方法。参数以更好地表示输入数据
检查PyTorch模型的内容
现在我们已经解决了这些问题，让我们用我们创建的类创建一个模型实例，并使用.parameters()检查它的参数。
# Set manual seed since nn.Parameter are randomly initialized
torch.manual_seed(42)# Create an instance of the model (this is a subclass of nn.Module that contains nn.Parameter(s))
model_0 = LinearRegressionModel()# Check the nn.Parameter(s) within the nn.Module subclass we created
print(list(model_0.parameters()))
输出为：
[Parameter containing:
tensor(