まず、Python環境にPyTorchをインストールする必要があります。これを行う最も簡単な方法は＆＃8212;です。 pipまたはcondaツールを使用します。 pytorch.org にアクセスし、使用するPythonインタープリターとパッケージマネージャーのバージョンをインストールします。
＃このPythonコードをJupyterノートブックで実行できます
＃正しいバージョンを自動的にインストールします
＃PyTorch。
＃ http://pytorch.org / from os import path
from Wheel.pep425tags import get_abbr_impl、get_impl_ver、get_abi_tag
プラットフォーム = `{} {}-{}` 。 format （get_abbr_impl（）、get_impl_ver（）、get_abi_tag（））
アクセラレータ = `cu80` if path.exists（ `/ opt / bin / nvidia-smi` ） else `cpu`
！ pip install - q http： / / download.pytorch.org / whl / {accelerator} / トーチ- 0.3 。 0.post4 - {platform} - linux_x86_64.whl torchvision
PyTorchをインストールしたら、今すぐ始めましょうコードを見てください。
必要なライブラリ関数とオブジェクトをインポートするには、以下の2行を記述してください。
import torch
from torch.autograd import 変数
また、いくつかのデータを定義し、それを変数 x_dataとy_data次のように：
x_data = 変数（torch.Tensor（[[ ]、[ 2.0 ]、 [ 3.0 ]]））
y_data = Variable（torch.Tensor（[[ 2.0 ]、[ 4.0 ]、[ 6.0 ]]））
ここにx_data＆ ＃8212;独立変数、および y_data ＆＃8212;従属変数。これが今のところ私たちのデータセットになります。次に、モデルを定義する必要があります。モデルの定義には、主に2つのステップがあります。それらは次のとおりです。
- モデルを初期化します。
- フォワードパスを宣言します。
- データを渡し、予測されたy値を計算することにより、ライブ転送を実行します。
- MSEを使用して損失を計算します。
- すべてのグラデーションを0にリセットし、逆伝播してから重みを更新します。
以下のクラスを使用します：
class LinearRegressionModel（torch.nn.Module）：
def __ init __（ self ）：
super （LinearRegressionModel、 self ）.__ init __（）
self 。線形 = torch.nn.Linear（ 1 、 1 ） ＃1つの入力と1つの出口
def forward（ self 、x）：
y_pred = 自己。線形（x）
return y_pred
ご覧のとおり、 Modelクラスはtorch.nn.moduleのサブクラスです。さらに、ここでは入力と出力が1つしかないため、入力と出力のサイズが1の線形モデルを使用します。
次に、このモデルのオブジェクトを作成します。
＃モデル
our_model = LinearRegressionModel（）
その後、オプティマイザーを選択し、損失基準。ここでは、損失関数として平均二乗誤差（MSE）を使用し、オプティマイザーとして確率的勾配降下法（SGD）を使用します。また、学習率を任意に0.01に固定します。
<コードクラス="プレーン">基準<コードクラス="キーワード">=<コードクラス="プレーン">torch.nn.MSELoss（size_average = False ）
オプティマイザー = torch.optim.SGD（our_model.parameters（）、lr = 0.01 ）
これで、学習段階になりました。トレーニング中に次のタスクを500回実行します。
for エポック in 範囲（ 500 ）：
＃フォワードパス：
#xからモデルへ
pred_y = our_model（x_data）
＃計算して印刷を失う
損失 = 基準（pred_y、y_data）
＃ゼロ勾配、バックトラック
＃そして重みを更新します。
optimizer.zero_grad（）
loss.backward（）
optimizer.step（）
print （ `epoch {}、loss {}` 。フォーマット（epoch、loss.data [ 0 ]））
トレーニングを完了した後、定義したモデル。そのため、不明な x_data 値、この場合は4.0をチェックします。
new_var = Variable（torch.Tensor（[[[ 4.0 ]]））
pred_y = our_model（new_var）
print （ "predict（トレーニング後）" 、 4 、our_model（ new_var）.data [ 0 ] [ 0 ]）
すべての手順を正しく実行すると、エントリ4.0で次のように表示されます。以下に示すように、値は8.0に非常に近い値です。したがって、このモデルは基本的に、明示的なプログラミングなしで入力と出力の関係を学習します。
予測（トレーニング後）4 7.966438293457031
参考として、以下のこの記事のすべてのコード：
import torch
from torch.autograd import 変数
x_data = Variable（torch.Tensor（[[ 1.0 ]、[ 2.0 ]、[ 3.0 ]]））
y_data = V ariable（torch.Tensor（[[ 2.0 ]、[ 4.0 ]、[ 6.0 ]]））
class LinearRegressionModel（torch.nn.Module）：
def __ init __（ self ）：
super （LinearRegressionModel、 self ）.__ init __（）
self 。線形 = torch.nn.Linear（ 1 、 1 ） ＃1つの入力と1つの出力
def forward（ self 、x）：
y_pred = 自己。線形（x）
return y_pred
＃モデル
our_model = LinearRegressionModel（）
基準 = torch.nn.MSELoss（size_average = False ）
オプティマイザー = torch.optim。 SGD（our_model.parameters（）、lr = 0.01 ）
for エポック in range （ 500 ）：
＃フォワードパス：パスして予測yを計算します
＃—モデルへのÖ
pred_y = our_model（x_data）
＃計算して印刷を失う
損失 = 基準（pred_y、y_data）
＃ゼロ勾配、バックパス、
＃そして重みを更新します。
optimizer.zero_grad（）
loss.backward（）
optimizer.step（）
印刷（ `エポック{}、損失{}` 。 format （epoch、loss.data [ 0 ]））
new_var = Variable（torch.Tensor（[[ 4.0 ]]）） < / p>
pred_y = our_model（new_var）
print （ "predict（トレーニング後）" 、 4 、our_model（new_var）.data [ 0 ] [ 0 ]）