Eerst moet u PyTorch in uw Python-omgeving installeren. De eenvoudigste manier om dit te doen is — gebruik de tool pip
of conda
. Ga naar pytorch.org en installeer de versie van uw Python-interpreter en pakketbeheerder die u wilt gebruiken.
# We kunnen deze Python-code uitvoeren op een Jupyter-notebook
# om automatisch de juiste versie te installeren
# PyTorch.
# http://pytorch.org / van os importpad
van
wheel.pep425tags
import
get_abbr_impl, get_impl_ver, get_abi_tag
platform
=
`{} {} - {}`
.
formaat
(get_abbr_impl (), get_impl_ver (), get_abi_tag ())
versneller
=
`cu80`
if
path.exists (
`/ opt / bin / nvidia-smi`
)
else
`cpu`
! pip install
-
q http:
/
/
download.pytorch.org
/
whl
/
{accelerator}
/
toorts
-
0.3
.
0.post4
-
{platform}
-
linux_x86_64.whl torchvision
Met PyTorch geïnstalleerd, laten we nu kijk naar de code.
Schrijf de twee regels hieronder om de vereiste bibliotheekfuncties en objecten te importeren.
We definiëren ook enkele gegevens en wijzen deze toe aan de variabelen x_data en y_data, als volgt:
Hier x_data & #8212; onze onafhankelijke variabele, en y_data — onze afhankelijke variabele. Dit wordt voorlopig onze dataset. Vervolgens moeten we ons model definiëren. Er zijn twee hoofdstappen bij het definiëren van ons model. Ze zijn:
We gebruiken de onderstaande klasse:
Zoals je kunt zien, is onze klasse Model een subklasse van torch.nn.module. Omdat we hier slechts één invoer en één uitvoer hebben, gebruiken we bovendien een lineair model met een invoer- en uitvoergrootte van 1. Vervolgens maken we een object van dit model.
Kies daarna een optimalisatieprogramma en verlies criteria. Hier zullen we mean squared error (MSE) gebruiken als onze verliesfunctie en Stochastic Gradient Descent (SGD) als onze optimizer. We stellen ook willekeurig de leersnelheid vast op 0,01.
Links |