当前位置：首页 > wzjs >正文

企业网站手机版源码下载免费网络推广网站

wzjs 2025/8/3 17:59:04

企业网站手机版源码下载,免费网络推广网站,网站开发的套路,装修公司起名字大全免费Pytorch简介 PyTorch 是一个开源的深度学习框架，由 Facebook（现 Meta）的人工智能研究团队于2016年推出。它以灵活性和动态计算图著称，广泛应用于学术研究和工业领域。核心特性动态计算图（Dynamic Computation Grap…

Pytorch简介

PyTorch 是一个开源的深度学习框架，由 Facebook（现 Meta）的人工智能研究团队于2016年推出。它以灵活性和动态计算图著称，广泛应用于学术研究和工业领域。

核心特性

动态计算图（Dynamic Computation Graph）
支持在运行时定义和修改计算图（即“Define-by-Run”模式），便于调试和实现复杂模型（如循环神经网络、动态结构模型）。
张量运算（Tensor Operations）
提供类似 NumPy 的多维数组（torch.Tensor），支持 GPU 加速计算，并包含高效的数学运算库（如矩阵操作、自动广播）。
自动微分（Autograd）
通过 autograd 模块自动计算梯度，无需手动实现反向传播，简化了模型训练流程。
模块化神经网络（Neural Network Modules）
torch.nn 模块提供了预定义的层（如卷积层、LSTM）、损失函数和优化器（如 SGD、Adam），支持快速搭建复杂模型。
分布式训练
支持多GPU并行训练和分布式计算（通过 torch.distributed），适合处理大规模数据和模型。

安装

进入官方网站根据实际情况进行选择，生产命令进行执行
正确选择后的安装命令

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

机器学习的基本流程

机器学习基本流程

Pytorch线性回归模型

基本的处理流程如下

加载数据
初始化模型
设置损失函数和优化方法
训练模型
使用模型进行预测

	import osos.environ['kmp_duplicate_lib_ok'] = "TRUE"import torchimport torch.nn as nnimport numpy as npimport matplotlib.pyplot as plt### 线性模型训练：y=w*x+b# 1. 定义训练集合x_train = np.array([[3.3], [4.4], [5.5], [6.71], [6.93], [4.168],[9.779], [6.182], [7.59], [2.167], [7.042],[10.791], [5.313], [7.997], [3.1]], dtype=np.float32)y_train = np.array([[1.7], [2.76], [2.09], [3.19], [1.694], [1.573],[3.366], [2.596], [2.53], [1.221], [2.827],[3.465], [1.65], [2.904], [1.3]], dtype=np.float32)# 2. 设置线性模型，nn是重要的模块input_size = 1output_size = 1model = nn.Linear(input_size, output_size)# 3. 设置损失函数和优化方法。损失函数计算误差；根据优化方法调整参数，目标是生成w,b；learning_rate相当于梯度下降的移动步长learning_rate = 0.001criterion = nn.MSELoss()optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate, )# 4. 训练模型num_epochs = 100  # 定义训练次数for epoch in range(num_epochs):# 数据转换为Tensorinputs = torch.from_numpy(x_train)targets = torch.from_numpy(y_train)# 放入模型中进行计算，得到输出outputs = model(inputs)# 通过损失函数计算误差（使用输出值与目标值进行）loss = criterion(outputs, targets)# 优化函数中的梯度清零，不清零可能有累积optimizer.zero_grad()# 反向传播，进行梯度计算loss.backward()# 沿着梯度方向进行参数调整optimizer.step()# 输出一些统计信息if (epoch+1) % 5 == 0:print('Epoch [{}/{}], loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))# 输出最终生成的模型数据，这里仅限于线性模型的生成数据print(model.weight)print(model.bias)# 5. 通过模型进行预测# 模型设置为评估状态model.eval()x_test = np.array([[6.5]], dtype=np.float32)# 禁用梯度计算with torch.no_grad():predictions = model(torch.from_numpy(x_test))  # 使用模型进行预测print(predictions.data.numpy())# 显示模型# Plot the graphpredicted = model(torch.from_numpy(x_train)).detach().numpy()plt.plot(x_train, y_train, 'ro', label='Original data')plt.plot(x_train, predicted, label='Fitted line')plt.legend()plt.show()

线性回归结果

Pytorch线性回归写法分解

上面的线性模型使用了Pytorch提供的很多方法，为了更好的进行理解，将上面的写法进行分解
分解的内容包括：模型的定义，损失函数、优化函数的写法，模型训练的写法

	import osos.environ['kmp_duplicate_lib_ok'] = "TRUE"import torchimport numpy as np### 线性模型训练：y=w*x+b# 1. 定义训练集合x_train = np.array([[3.3], [4.4], [5.5], [6.71], [6.93], [4.168],[9.779], [6.182], [7.59], [2.167], [7.042],[10.791], [5.313], [7.997], [3.1]], dtype=np.float32)y_train = np.array([[1.7], [2.76], [2.09], [3.19], [1.694], [1.573],[3.366], [2.596], [2.53], [1.221], [2.827],[3.465], [1.65], [2.904], [1.3]], dtype=np.float32)# 2. 设置线性模型，nn是重要的模块input_size = 1output_size = 1# 修改模型，改为自定义y=w*x+b; model = nn.Linear(input_size, output_size)w = torch.randn(input_size, requires_grad=True) # 跟踪变量运算b = torch.zeros(output_size, requires_grad=True)# 3. 设置损失函数和优化方法。损失函数计算误差；根据优化方法调整参数，目标是生成w,b；learning_rate相当于梯度下降的移动步长learning_rate = 0.001# 修改损失函数，在下面的训练中直接修改； criterion = nn.MSELoss()# 修改优化函数，在下面的训练中直接修改； optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate, )# 4. 训练模型num_epochs = 100  # 定义训练次数for epoch in range(num_epochs):# 数据转换为Tensorinputs = torch.from_numpy(x_train)targets = torch.from_numpy(y_train)for x, y in zip(inputs, targets):# 放入模型中进行计算，得到输出y_pred = torch.matmul(x,w) + b # 进行模型计算# 通过损失函数计算误差（使用输出值与目标值进行）loss = (y - y_pred).pow(2).mean() # 均方误差，差的评分求均值# 优化函数中的梯度清零，不清零可能有累积if not w.grad is None:w.grad.data.zero_()if not b.grad is None:b.grad.data.zero_()# 反向传播，进行梯度计算loss.backward() # 计算梯度，找到下降最快的位置# 沿着梯度方向进行参数调整with torch.no_grad():w.data -= w.grad.data * learning_rate  # 减去梯度*学习率b.data -= b.grad.data * learning_rate# 输出一些统计信息if (epoch+1) % 5 == 0:print('Epoch [{}/{}], loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))# 输出最终生成的模型数据，这里仅限于线性模型的生成数据print(w)print(b)# 5. 通过模型进行预测with torch.no_grad():test = 6.5value = w * 6.5 + bprint(value.data)