技术标签: 算法 Pytorch学习 机器学习 pytorch
原视频链接:3. 零基础入门PyTorch之线性回归【逐行代码讲解】
原文章链接:【PyTorch修炼】零基础入门PyTorch之线性回归【逐行代码讲解】
线性回归其实就是
y=kx+b
但是需要注意的是,这里所有的未知量都是一个矩阵而不是一个数,k是权重,b是偏差
要求:
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
x=torch.linspace(0,20,500)#0-20之间取500个点
k=3
b=10
y=k*x+b
plt.scatter(x.data.numpy(),y.data.numpy())#因为torch的数据类型都是tensor,而plt只能画numpy数据结构的,所以需要写data.numpy()转换一下
plt.show()
输出结果:
现在我们把写的函数都注释掉,来用机器学习拟合这条线
x=torch.rand(512)#随机在0-1之间有512个点
noise=0.2*torch.randn(x.size())#加入高斯白噪声
k=3
b=10
y=k*x+b+noise
plt.scatter(x.data.numpy(),y.data.numpy())
plt.show()
输出结果:
class LinearModel(nn.Module):
def __init__(self,in_fea,out_fea):
super(LinearModel, self).__init__()
self.output=nn.Linear(in_features=in_fea,out_features=out_fea)
def forward(self,x):
x=self.output(x)
return x
input_x=torch.unsqueeze(x,dim=1)#因为我们输入的x是512个数,而不是512,所以需要转换维度
input_y=torch.unsqueeze(y,dim=1)
model=LinearModel()
loss_func=nn.MSELoss()#均方差求loss
optimizer=torch.optim.SGD(model.parameters(),lr=0.02)#随机梯度下降优化器
plt.ion()#打开交互模型
for step in range(20):
pred=model(input_x)#预测值
loss=loss_func(pred,input_y)#损失值
optimizer.zero_grad()#梯度归零
loss.backward()#反向传播
optimizer.step()#进行优化器训练
if step %10 ==0:#每十次移动一次
plt.cla()#清除上一次的
plt.scatter(input_x.data.numpy(),input_y.data.numpy())
plt.plot(input_x.data.numpy(),pred.data.numpy(),'r-',lw=5)#画出预测的图像,线是红色,粗细是5
[w,b]=model.parameters()
plt.text(0,0.5,'loss=%.4f,k=%.2f,b=%.2f'%(loss.item(),k.item(),b.item()))
plt.pause(1)#每次停顿一下
plt.ioff()#关闭实时显示
plt.show()
输出结果:
可以看到红线正在逐渐拟合
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
# x=torch.linspace(0,20,500)#0-20之间取500个点
# k=3
# b=10
# y=k*x+b
#
# plt.scatter(x.data.numpy(),y.data.numpy())#因为torch的数据类型都是tensor,而plt只能画numpy数据结构的,所以需要写data.numpy()转换一下
# plt.show()
x=torch.rand(512)#随机在0-1之间有512个点
noise=0.2*torch.randn(x.size())#加入高斯白噪声
k=3
b=10
y=k*x+b+noise
# plt.scatter(x.data.numpy(),y.data.numpy())
# plt.show()
class LinearModel(nn.Module):
def __init__(self,in_fea,out_fea):
super(LinearModel, self).__init__()
self.output=nn.Linear(in_features=in_fea,out_features=out_fea)
def forward(self,x):
x=self.output(x)
return x
input_x=torch.unsqueeze(x,dim=1)#因为我们输入的x是512个数,而不是512,所以需要转换维度
input_y=torch.unsqueeze(y,dim=1)
model=LinearModel(1,1)
loss_func=nn.MSELoss()#均方差求loss
optimizer=torch.optim.SGD(model.parameters(),lr=0.02)#随机梯度下降优化器
plt.ion()#打开交互模型
for step in range(200):
pred=model(input_x)
loss=loss_func(pred,input_y)
optimizer.zero_grad()#梯度归零
loss.backward()#反向传播
optimizer.step()
if step %10 ==0:
plt.cla()
plt.scatter(input_x.data.numpy(),input_y.data.numpy())
plt.plot(input_x.data.numpy(),pred.data.numpy(),'r-',lw=5)#画出预测的图像,线是红色,粗细是5
plt.xlim(0, 1.1)#防止x文本消失
plt.ylim(0, 20)
[w,b]=model.parameters()
plt.text(0,0.5,'loss=%.4f,k=%.2f,b=%.2f'%(loss.item(),w.item(),b.item()))
plt.pause(1)#每次停顿一下
plt.ioff()
plt.show()
文章浏览阅读2.5w次,点赞6次,收藏50次。官方解释是,docker 容器是机器上的沙盒进程,它与主机上的所有其他进程隔离。所以容器只是操作系统中被隔离开来的一个进程,所谓的容器化,其实也只是对操作系统进行欺骗的一种语法糖。_docker菜鸟教程
文章浏览阅读5.7k次,点赞3次,收藏14次。该如何避免的,今天小编给大家推荐两个下载Windows系统官方软件的资源网站,可以杜绝软件捆绑等行为。该站提供了丰富的Windows官方技术资源,比较重要的有MSDN技术资源文档库、官方工具和资源、应用程序、开发人员工具(Visual Studio 、SQLServer等等)、系统镜像、设计人员工具等。总的来说,这两个都是非常优秀的Windows系统镜像资源站,提供了丰富的Windows系统镜像资源,并且保证了资源的纯净和安全性,有需要的朋友可以去了解一下。这个非常实用的资源网站的创建者是国内的一个网友。_msdn我告诉你
文章浏览阅读1.2k次。vue2封装对话框el-dialog组件_
文章浏览阅读4.7k次,点赞5次,收藏6次。MFC 文本框换行 标签: it mfc 文本框1.将Multiline属性设置为True2.换行是使用"\r\n" (宽字符串为L"\r\n")3.如果需要编辑并且按Enter键换行,还要将 Want Return 设置为 True4.如果需要垂直滚动条的话将Vertical Scroll属性设置为True,需要水平滚动条的话将Horizontal Scroll属性设_c++ mfc同一框内输入二行怎么换行
文章浏览阅读832次。检查Linux是否是否开启所需端口,默认为6379,若未打开,将其开启:以root用户执行iptables -I INPUT -p tcp --dport 6379 -j ACCEPT如果还是未能解决,修改redis.conf,修改主机地址:bind 192.168.85.**;然后使用该配置文件,重新启动Redis服务./redis-server redis.conf..._redis-server doesn't support auth command or ismisconfigured. try
文章浏览阅读4.9k次。济大数电实验报告_数据选择器及其应用
文章浏览阅读236次。1研究内容消费在生产中占据十分重要的地位,是生产的最终目的和动力,是保持省内经济稳定快速发展的核心要素。预测河南省社会消费品零售总额,是进行宏观经济调控和消费体制改变创新的基础,是河南省内人民对美好的全面和谐社会的追求的要求,保持河南省经济稳定和可持续发展具有重要意义。本文建立灰色预测模型,利用MATLAB软件,预测出2019年~2023年河南省社会消费品零售总额预测值分别为21881...._灰色预测模型用什么软件
文章浏览阅读1.2k次。12.4-在Qt中使用Log4Qt输出Log文件,看这一篇就足够了一、为啥要使用第三方Log库,而不用平台自带的Log库二、Log4j系列库的功能介绍与基本概念三、Log4Qt库的基本介绍四、将Log4qt组装成为一个单独模块五、使用配置文件的方式配置Log4Qt六、使用代码的方式配置Log4Qt七、在Qt工程中引入Log4Qt库模块的方法八、获取示例中的源代码一、为啥要使用第三方Log库,而不用平台自带的Log库首先要说明的是,在平时开发和调试中开发平台自带的“打印输出”已经足够了。但_log4qt
文章浏览阅读786次。全局观思维模型,一个教我们由点到线,由线到面,再由面到体,不断的放大格局去思考问题的思维模型。_计算机中对于全局观的
文章浏览阅读330次。一、CountDownLatch介绍CountDownLatch采用减法计算;是一个同步辅助工具类和CyclicBarrier类功能类似,允许一个或多个线程等待,直到在其他线程中执行的一组操作完成。二、CountDownLatch俩种应用场景: 场景一:所有线程在等待开始信号(startSignal.await()),主流程发出开始信号通知,既执行startSignal.countDown()方法后;所有线程才开始执行;每个线程执行完发出做完信号,既执行do..._countdownluach于cyclicbarrier的用法
文章浏览阅读508次。Prometheus 算是一个全能型选手,原生支持容器监控,当然监控传统应用也不是吃干饭的,所以就是容器和非容器他都支持,所有的监控系统都具备这个流程,_-自动化监控系统prometheus&grafana实战
文章浏览阅读4.7k次。输入关键字,可以通过键盘的搜索按钮完成搜索功能。_react search