当前位置：首页 > wzjs >正文

衡水做网站的地方网站首页静态好还是动态好

wzjs 2025/9/10 23:11:44

衡水做网站的地方,网站首页静态好还是动态好,产品展示网站模板,财务软件哪个最好用最简单目录第1关：初始化参数任务描述编程要求测试说明在创造家的事业中，每一步都要三思而后行，而不是盲目地瞎碰。——米丘林开始你的任务吧，祝你成功！ 第2关：建立模型，定义损失和优化函数…

第1关：初始化参数

任务描述

编程要求

测试说明

在创造家的事业中，每一步都要三思而后行，而不是盲目地瞎碰。——米丘林开始你的任务吧，祝你成功！

第2关：建立模型，定义损失和优化函数

任务描述

编程要求

测试说明

真正的科学家应当是个幻想家；谁不是幻想家，谁就只能把自己称为实践家。 —— 巴尔扎克开始你的任务吧，祝你成功！

第3关：训练模型

任务描述

编程要求

测试说明

真正的科学家应当是个幻想家；谁不是幻想家，谁就只能把自己称为实践家。 —— 巴尔扎克开始你的任务吧，祝你成功！

第4关：validation

任务描述

编程要求

测试说明

聪明的资质、内在的干劲、勤奋的工作态度和坚韧不拔的精神，这些都是科学研究成功所需要的条件。——贝弗里奇开始你的任务吧，祝你成功！

第1关：初始化参数

经过之前几节实训的学习，想必同学们对 Pytorch 的基础定义和应用有了一个基本的了解。接下来，利用线性回归分析综合应用之前的知识。

任务描述

本关要求同学们学习数据转换、数据加载的方法，为之后算法的学习提供适宜的样本数据。

本关任务：本关要求下载MNIST 书写数据集，并创建DataLoader变量data_loader，输出 data _loader 中数据大小。

编程要求

本关涉及的代码文件为data.py，本次编程任务是补全右侧编辑器中Begin至End中间的代码，具体要求如下：

下载MNIST 数据集，保存到当前目录的./data中；
创建batch_size=100, shuffle=True的DataLoader；
输出 data_loader中数据类型；
具体请参见后续测试样例。

测试说明

测试过程：

本关涉及的测试文件为dataTest.py，运行用户填写后的程序判断正误；
测试程序将检测两个方面：是否包含特定的代码行以及程序的输出是否正确，若两个方面均正确则输出下面的预期输出，否则报错；
请注意输出格式及规范；
注意，在声明变量时，请按照提示命名，否则将会报错。
以下是测试样例：

测试输入：

预期输出：

Files already downloaded
<class 'torchvision.datasets.mnist.MNIST'>

Congratulation!

在创造家的事业中，每一步都要三思而后行，而不是盲目地瞎碰。——米丘林
开始你的任务吧，祝你成功！

import torch
import torchvision.datasets as dsets
import torchvision.transforms as transforms#/********** Begin *********/
# 下载MNIST数据集Mnist_dataset = dsets.MNIST(root='./data',train=True,transform=transforms.ToTensor(),download=True)# 创建batch_size=100, shuffle=True的DataLoader类型的变量data_loaderdata_loader = torch.utils.data.DataLoader(dataset=Mnist_dataset,
batch_size=100,shuffle=True)# 输出 data_loader中数据类型print("<class '"+ str(type(data_loader.dataset))+"'>")#/********** End *********/

第2关：建立模型，定义损失和优化函数

准备好数据之后，我们就要开始建立线性回归模型了！

任务描述

本实训主要针对线性回归模型进行学习，继承Modules类，并实现其__init__()、forward()方法。

本关任务：本关提供了一个继承自nn.Module 的类LinearRegression，拥有创建线性模型的基本框架，按照要求补充其__init__()、forward()方法。并通过实例化一个新建的模型，输出该模型的.parameters属性。

编程要求

本关涉及的代码文件为createModule.py，本次编程任务是补全右侧编辑器中Begin至End中间的代码，具体要求如下：

完成__init__()、forward()方法；

实例化一个新建的模型model；

输出该模型 model 的.parameters属性；

具体请参见后续测试样例。

测试说明

测试过程：

本关涉及的测试文件为moduleTest.py，运行用户填写后的程序判断正误；
测试程序将检测两个方面：是否包含特定的代码行以及程序的输出是否正确，若两个方面均正确则输出下面的预期输出，否则报错；
请注意输出格式及规范；
注意，在声明变量时，请按照提示命名，否则将会报错。
以下是测试样例：

测试输入：

预期输出：

<bound method Module.parameters of LinearRegression(
(linear): Linear(in_features=1, out_features=1)
)>

Congratulation!

真正的科学家应当是个幻想家；谁不是幻想家，谁就只能把自己称为实践家。 —— 巴尔扎克
开始你的任务吧，祝你成功！

import torch.nn as nn#/********** Begin *********/# 线性回归模型
class LinearRegression(nn.Module):def __init__(self):# 调用Module的初始化super(LinearRegression, self).__init__()# 输入和输出分别为一维self.linear = nn.Linear(1, 1)# module调用forward，将按forward进行前向传播，并构建网络def forward(self, x):out = self.linear(x)return out # 实例化一个新建的模型变量model
model = LinearRegression()# 输出该模型 model 的'.parameters'属性print(model.parameters)#/********** End *********/

第3关：训练模型

本关卡将介绍如何利用之前加载的数据、定义的损失函数、优化函数，来训练模型。从而帮助同学们掌握模型的训练方法及训练结果的显示。

任务描述

本关任务：本关利用上一节构造的模型进行训练，并创建类型为MSELoss的损失函数，创建类型为SGD的优化算子，补充前向计算、反馈求导、优化等语句，根据num_epochs的设定共训练60次，分10次输出一回loss的数值信息。

编程要求

本关涉及的代码文件为train.py，本次编程任务是补全右侧编辑器中Begin至End中间的代码，具体要求如下：

创建损失函数MSELoss ；
创建SGD的 Optimizer，学习率为0.001；
训练模型，补充前向计算、反馈求导、优化等语句；
根据num_epochs的设定，共训练60次，分10次输出一回loss的数值信息；
具体请参见后续测试样例。

测试说明

测试过程：

本关涉及的测试文件为trainTest.py，运行用户填写后的程序判断正误；
测试程序将检测两个方面：是否包含特定的代码行以及程序的输出是否正确，若两个方面均正确则输出下面的预期输出，否则报错；
请注意输出格式及规范；
注意，在声明变量时请按照提示命名，否则将会报错。
以下是测试样例：

测试输入：

预期输出：

There are 6 lines of information about loss.
Congratulation！

真正的科学家应当是个幻想家；谁不是幻想家，谁就只能把自己称为实践家。 —— 巴尔扎克
开始你的任务吧，祝你成功！


import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
from torch.autograd import Variableimport os
import sys
path = os.path.split(os.path.abspath(os.path.realpath(sys.argv[0])))[0] + os.path.sepprint(path)# 超参数
input_size = 1
output_size = 1
num_epochs = 60
learning_rate = 0.001# 数据集
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)# 线性回归模型
class LinearRegression(nn.Module):def __init__(self, input_size, output_size):super(LinearRegression, self).__init__()self.linear = nn.Linear(input_size, output_size)def forward(self, x):out = self.linear(x)return outmodel = LinearRegression(input_size, output_size)#创建输出文件 output.txt
f = open(path + 'output.txt', 'w')
f.seek(0)
f.truncate()   #清空文件#/********** Begin *********/
# 创建损失函数MSELoss
criterion = nn.MSELoss()
# 创建SGD的Optimizer，学习率l'r为0.001
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)# 训练模型
for epoch in range(num_epochs):# 将x_train，y_train数据转换为Variable类型inputs = Variable(torch.from_numpy(x_train))targets = Variable(torch.from_numpy(y_train))# Forwardoptimizer.zero_grad()outputs = model(inputs)loss = criterion(outputs, targets)# Backwardloss.backward()#Optimizeoptimizer.step()#共训练60次，分别10次输出一回loss信息，并将输出信息存到文件中if (epoch+1) % 10 == 0:f.writelines('Epoch [%d/%d], Loss: %.4f \n'%(epoch+1, num_epochs, loss.item()))print ('Epoch [%d/%d], Loss: %.4f'%(epoch+1, num_epochs, loss.item()))
f.close()#/********** End *********/#保存模型
torch.save(model,path + 'model.pkl')

第4关：validation

本关卡将介绍如何利用之前加载的数据、定义的损失函数、优化函数，来训练模型。从而帮助同学们掌握模型的训练方法及训练结果的显示。

任务描述

本关要求掌握模型测试和训练之间的转换，及如何评估一个模型的好坏。

本关任务：本关提供了数据集x_train，y_train，并加载之前所训练的模型 module，要求同学们将模型转化为测试模式，利用 model 计算预测值，并将结果可视化的显示出来。

编程要求

本关涉及的代码文件为validation.py，本次编程任务是补全右侧编辑器中Begin至End中间的代码，具体要求如下：

将模型转化为测试模式；
利用 model 计算预测值；
画图；
具体请参见后续测试样例。

测试说明

测试过程：

本关涉及的测试文件为validationTest.py，该程序将用户生成的图片与系统内的测评图片，利用直方图进行图片相似度的对比；
测试程序将检测两个方面：是否包含特定的代码行以及程序的输出是否正确，若两个方面均正确则输出下面的预期输出，否则报错；
请注意输出格式及规范；
注意，在声明变量时请按照提示命名，否则将会报错。
以下是测试样例：

测试输入：
预期输出：
Congratulation !

聪明的资质、内在的干劲、勤奋的工作态度和坚韧不拔的精神，这些都是科学研究成功所需要的条件。——贝弗里奇
开始你的任务吧，祝你成功！

import torch
import numpy as np
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as pltfrom torch.autograd import Variable
import torch.nn as nnimport warnings
warnings.filterwarnings('ignore')import os,sys
path = os.path.split(os.path.abspath(os.path.realpath(sys.argv[0])))[0] + os.path.sep
path = path[:-6]
print("validation path:" ,path)# Linear Regression Model
class LinearRegression(nn.Module):def __init__(self, input_size, output_size):super(LinearRegression, self).__init__()self.linear = nn.Linear(input_size, output_size)def forward(self, x):out = self.linear(x)return outmodel = LinearRegression(1, 1)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)#加载整个模型
model = torch.load( path + 'step3/model.pkl')#/********** Begin *********/
#将模型转化为测试模式
model.eval()
#利用 model 计算预测值,并赋值给predicted
predicted = model(Variable(torch.from_numpy(x_train))).data.numpy()print(predicted)
#画图
plt.plot(x_train, y_train, 'ro', label='Original data')
plt.plot(x_train, predicted, label='Fitted line')
plt.legend()
plt.savefig(path + "step4/outputimages/mylossTest.png")#/********** End *********/