Regressão linear usando PyTorch

critério = torch.nn.MSELoss (size_average = False )

otimizador = torch.optim.SGD (our_model.parameters()), lr = 0,01 )

Agora chegamos ao nosso estágio de aprendizado. Realizamos as seguintes tarefas 500 vezes durante o treinamento:

1. Realize uma transferência ao vivo passando nossos dados e descobrindo o valor de y previsto.
2. Calcule a perda usando o MSE.
3. Redefinir todos os gradientes para 0, propagar de volta e atualizar os pesos.

para época em intervalo ( 500 ):

# Forward pass: calcula y previsto passando

#x para o modelo

pred_y = our_model (x_data)

# Calcula e perde a impressão

perda = critério (pred_y, y_data)

# Zero gradientes, backtrack

# e atualize o peso.

optimizer.zero_grad ()

loss.backward ()

optimizer.step ()

print ( ` época {}, perda {} ` . formato (epoch, loss.data [ 0 ]))

Após concluir o treinamento, verificamos se estamos obtendo os resultados corretos usando o modelo que definimos. Portanto, verificamos se há um valor x_data desconhecido, neste caso 4.0.

new_var = Variável (torch.Tensor ([[[ 4.0 ] ]))

pred_y = our_model ( new_var)

print ( "prever (após o treinamento)" , 4 , our_model ( new_var) .data [ 0 ] [ 0 ])

Se você seguiu todas as etapas corretamente, você verá que para a entrada 4.0 você obtém uma valor muito próximo de 8,0, conforme mostrado abaixo. Assim, nosso modelo essencialmente aprende a relação entre entrada e saída sem programação explícita.

prever (após o treinamento) 4 7.966438293457031

Para referência, você pode encontrar todo o código para este artigo abaixo:

import tocha

from torch.autograd importar Variável

x_data = Variável (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 . linear = torch.nn.Linear ( 1 , 1 ) # Uma entrada e uma saída

def forward ( self , x):

y_pred = self . linear (x)

return y_pred

# nosso modelo

our_model = LinearRegressionModel ()

critério = torch.nn.MSELoss (size_average = False )

otimizador = torch.optim. SGD (our_model.parameters (), lr = 0.01 )

para época em intervalo ( 500 ):

# Forward pass: calcula y previsto passando

# —Ö para modelar

pred_y = our_model (x_data)