Primero, deberá instalar PyTorch en su entorno de Python. La forma más fácil de hacer esto es — use la herramienta pip
o conda
. Visite pytorch.org e instale la versión de su intérprete de Python y administrador de paquetes que le gustaría usar.
# Podemos ejecutar este código de Python en un cuaderno Jupyter
# para instalar automáticamente la versión correcta
desde
< clase de código = "simple"> rueda.pep425tags
formato
(get_abbr_impl(), get_impl_ver()), get_abi_tag())
)
else
`cpu`
! pip install
linux_x86_64.whl torchvision
Con PyTorch instalado, ahora mire el código.
Escriba las dos líneas a continuación para importar las funciones y los objetos de biblioteca requeridos.
También definimos algunos datos y los asignamos a las variables x_data y y_data, como sigue:
Aquí x_data & #8212; nuestra variable independiente, y y_data — nuestra variable dependiente. Este será nuestro conjunto de datos por ahora. A continuación, necesitamos definir nuestro modelo. Hay dos pasos principales involucrados en la definición de nuestro modelo. Ellos son:
Usamos la siguiente clase:
Como puede ver, nuestra clase Model es una subclase de torch.nn.module. Además, dado que aquí solo tenemos una entrada y una salida, usamos un modelo lineal con un tamaño de entrada y salida de 1. A continuación, creamos un objeto de este modelo.
Después de eso, elija un optimizador y criterios de pérdida. Aquí usaremos el error cuadrático medio (MSE) como nuestra función de pérdida y el descenso de gradiente estocástico (SGD) como nuestro optimizador. También fijamos arbitrariamente la tasa de aprendizaje en 0,01.
Enlaces |