PyTorch kullanarak doğrusal regresyon

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

optimize edici = torch.optim.SGD (your_model.parameters (), lr = 0,01 )

Şimdi öğrenme aşamamıza geliyoruz. Eğitim sırasında aşağıdaki görevleri 500 kez gerçekleştiriyoruz:

1. Verilerimizi aktararak ve tahmin edilen y değerini bularak canlı aktarım gerçekleştirin.
2. MSE kullanarak kaybı hesaplayın.
3. Tüm degradeleri 0`a sıfırlayın, geri yayın ve ardından ağırlıkları güncelleyin.

for epoch aralığında ( 500 ):

# İleri geçiş:

#x modele

pred_y = bizim_modelimiz (x_data)

# Hesapla ve yazdırmayı kaybet

kayıp = kriter (pred_y, y_data)

# Sıfır gradyan, geri izleme

# ve ağırlığı güncelleyin.

optimizer.zero_grad ()

kayıp.backward ()

optimizer.step ()

print ( ` çağ {}, kayıp {} ` . biçim (dönem, kayıp.veri [ 0 ]))

Eğitimi tamamladıktan sonra, aşağıdaki komutu kullanarak doğru sonuçları alıp almadığımızı kontrol ederiz. tanımladığımız modeldir. Bu nedenle, bilinmeyen bir x_data değeri olup olmadığını kontrol ediyoruz, bu durumda 4.0.

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

pred_y = Our_model ( new_var)

print ( "tahmin (eğitimden sonra) " , 4 , bizim_modelimiz ( new_var) .data [ 0 ] [ 0 ])

Tüm adımları doğru bir şekilde takip ettiyseniz, 4.0 girişi için bir değer aşağıda gösterildiği gibi 8.0`a çok yakındır. Bu nedenle, modelimiz temel olarak girdi ve çıktı arasındaki ilişkiyi açık programlama olmadan öğrenir.

predict (eğitimden sonra) 4 7.966438293457031

Başvuru için aşağıdakileri bulabilirsiniz: bu makalenin tüm kodu aşağıdadır:

import meşale

torç.autograd içe aktar Değişken

x_data = Değişken (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 . lineer = torch.nn.Linear ( 1 < kod sınıfı = "düz">, 1 ) # Bir giriş ve bir çıktı

def ileri ( self , x):

y_pred = öz . lineer (x)

dönüş y_pred

# bizim modelimiz

bizim_modelimiz = LinearRegressionModel ()

kriter = torch.nn.MSELoss (size_average = False < kod sınıfı = "düz"> )

optimize edici = meşale.optim. SGD (our_model.parameters (), lr = 0.01 )

için çağ aralık ( 500 ):

# İleri geçiş: tahmin edilen y`yi geçerek hesaplayın

# —Ö modeline

pred_y = bizim_modelimiz (x_data)

kayıp = < kod sınıfı ="plain "> kriter (pred_y, y_data)

# Sıfır gradyan, geri geçiş,

# ve ağırlığı güncelleyin.

optimizer.zero_grad ()

Los.backward()

optimizer.step ()

yazdır ( `dönem {}, kayıp {}` . biçim (dönem, kayıp.veri [ 0 < kod sınıfı = "düz">]))

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

pred_y = bizim_modelimiz (yeni_var)

print ( "tahmin (eğitimden sonra)" , 4 , bizim_modelimiz (yeni_var) .data [ 0 ] [ 0 ])