Primeiro, você precisará instalar o PyTorch em seu ambiente Python. A maneira mais fácil de fazer isso é — use a ferramenta pip
ou conda
. Visite pytorch.org e instale a versão do seu interpretador Python e gerenciador de pacotes que você gostaria de usar.
# Podemos executar este código Python em um notebook Jupyter
# para instalar automaticamente a versão correta
# PyTorch.
# http://pytorch.org / from OS import path
from
wheel.pep425tags
import
get_abbr_impl, get_impl_ver, get_abi_tag
plataforma
=
`{} {} - {}`
.
formato
(get_abbr_impl (), get_impl_ver (), get_abi_tag ())
acelerador
=
`cu80`
if
path.exists (
`/ opt / bin / nvidia-smi`
)
else
`cpu`
! pip install
-
q http:
/
/
download.pytorch.org
/
whl
/
{accelerator}
/
tocha
-
0,3
.
0.post4
-
{platform}
-
linux_x86_64.whl torchvision
Com o PyTorch instalado, vamos agora veja o código.
Escreva as duas linhas abaixo para importar as funções e objetos de biblioteca necessários.
Também definimos alguns dados e os atribuímos às variáveis x_data e y_data, da seguinte forma:
Aqui x_data & #8212; nossa variável independente e y_data — nossa variável dependente. Este será nosso conjunto de dados por enquanto. Em seguida, precisamos definir nosso modelo. Existem duas etapas principais envolvidas na definição do nosso modelo. São eles:
Usamos a classe abaixo:
Como você pode ver, nossa classe Model é uma subclasse de torch.nn.module. Além disso, como temos apenas uma entrada e uma saída aqui, usamos um modelo linear com tamanho de entrada e saída de 1. Em seguida, criamos um objeto desse modelo.
Depois disso, escolha um otimizador e critérios de perda. Aqui usaremos o erro quadrático médio (MSE) como nossa função de perda e a Descida do Gradiente Estocástico (SGD) como nosso otimizador. Também fixamos arbitrariamente a taxa de aprendizado em 0,01.
Links |