Per prima cosa, dovrai installare PyTorch nel tuo ambiente Python. Il modo più semplice per farlo è — usa lo strumento pip
o conda
. Visita pytorch.org e installa la versione dell`interprete Python e del gestore di pacchetti che desideri utilizzare.
# Possiamo eseguire questo codice Python su un notebook Jupyter
# per installare automaticamente la versione corretta
# http://pytorch.org / dal percorso di importazione del sistema operativo
da
wheel.pep425tags
import
get_abbr_impl, get_impl_ver, get_abi_tag
piattaforma
=
`{} {} - {}`
.
format
(get_abbr_impl (), get_impl_ver (), get_abi_tag ())
acceleratore
=
)
else
`cpu`
! pip install
download.pytorch.org
/
whl
-
0.3
.
linux_x86_64.whl torchvision
Con PyTorch installato, andiamo ora guarda il codice.
Scrivi le due righe sottostanti per importare le funzioni e gli oggetti della libreria richiesti.
Definiamo anche alcuni dati e li assegniamo alle variabili x_data e y_data, come segue:
Qui x_data & #8212; la nostra variabile indipendente e y_data — la nostra variabile dipendente. Questo sarà il nostro set di dati per ora. Successivamente, dobbiamo definire il nostro modello. Ci sono due passaggi principali coinvolti nella definizione del nostro modello. Sono:
Utilizziamo la classe seguente:
Come puoi vedere, la nostra classe Model è una sottoclasse di torch.nn.module. Inoltre, poiché qui abbiamo solo un input e un output, utilizziamo un modello lineare con una dimensione di input e output di 1. Successivamente, creiamo un oggetto di questo modello.
Dopodiché scegli un ottimizzatore e criteri di perdita. Qui utilizzeremo l`errore quadratico medio (MSE) come funzione di perdita e la discesa del gradiente stocastico (SGD) come ottimizzatore. Inoltre, fissiamo arbitrariamente il tasso di apprendimento a 0,01.
Collegamenti |