Во-первых, вам необходимо установить PyTorch в вашей среде Python. Самый простой способ сделать это — используйте инструмент pip
или conda
. Посетите pytorch.org и установите нужную версию интерпретатора Python и диспетчера пакетов.
# Мы можем запустить этот код Python в блокноте Jupyter
# для автоматической установки правильной версии
# PyTorch.
# http://pytorch.org / from путь импорта ОС
from
wheel.pep425tags
import
get_abbr_impl, get_impl_ver, get_abi_tag
платформа
=
`{} {} - {}`
.
format
(get_abbr_impl(), get_impl_ver(), get_abi_tag())
ускоритель
=
`cu80`
if
path.exists (
`/ opt / bin / nvidia-smi`
)
else
`процессор`
! pip install
-
q http:
/
/
download.pytorch.org
/
whl
/
{ускоритель}
/
факел
-
0,3
.
0.post4
-
{платформа}
-
linux_x86_64.whl torchvision
Установив PyTorch, давайте теперь посмотрите на код.
Напишите две строки ниже, чтобы импортировать необходимые библиотечные функции и объекты.
Мы также определяем некоторые данные и присваиваем их переменным x_data и y_data, следующим образом:
Здесь x_data & №8212; наша независимая переменная и y_data — наша зависимая переменная. Это будет наш набор данных на данный момент. Далее нам нужно определить нашу модель. Есть два основных шага, связанных с определением нашей модели. Вот они:
Мы используем следующий класс:
Как видите, наш класс Model является подклассом torch.nn.module. Кроме того, поскольку здесь у нас есть только один вход и один выход, мы используем линейную модель с размером входа и выхода 1. Далее мы создаем объект этой модели.
После этого выберите оптимизатор и критерии потерь. Здесь мы будем использовать среднеквадратичную ошибку (MSE) в качестве нашей функции потерь и стохастический градиентный спуск (SGD) в качестве нашего оптимизатора. Мы также произвольно устанавливаем скорость обучения на 0,01.
Ссылки |