线性模型的训练我们绘制了线性模型给出了随机参数。我们发现它与我们的数据不太吻合。我们必须做的。我们需要训练这个模型,使模型具有最优的权重和偏差参数,并拟合这些数据。 训练模型的步骤如下: 步骤1 我们的第一步是指定损失函数,我们打算使其最小化。PyTorch提供了一种非常有效的方法来指定丢失的函数。PyTorch提供了MSELoss()函数,称为均方损失,以计算损失为 步骤2 现在,我们的下一步是更新参数。为此,我们指定了使用梯度下降算法的优化器。我们使用被称为随机梯度下降的SGD()函数进行优化。SGD每次最小化一个样本的总损失,通常更快地达到收敛,因为它会在相同的样本容量内频繁更新我们的模型的权重。 这里lr代表学习率,初始设置为0.01。 步骤3 我们将训练我们的模型到指定数量的epoch(我们计算了误差函数,并反向传播这个误差函数的梯度下降来更新权重)。 现在,对于每一个时代,我们必须最小化模型系统的误差。误差仅仅是模型的预测值与实际值之间的比较。 步骤4 现在,最后,我们通过简单地调用plotfit()方法绘制新的线性模型。 完整的代码程序 输出: ![]() ![]()
下一个话题
感知器
|