下一个→ ←上一页

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。

            loss=[]对于range (epochs)中的i: ypred=model.forward(x) # y的预测loss=criterion(ypred,y) #查找loss. append() #在列表中添加loss. zero_grad() #设置梯度为零loss.backward() #计算导数optimizer.step() #更新参数
           

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

            进口火炬进口火炬。Nn作为Nn导入matplotlib。pyplot as plt import numpy as np X=torch.randn(100,1)*10 y=X+3*torch.randn(100,1) plt.plot(X.numpy()，y.n npy ()，'o') plt.ylabel('y') plt.xlabel(' X ') class LR(nn.Module): def __init__(self,input_size,output_size): super().__init__() self.linear=nn.Linear(input_size,output_size) def forward(self, X):pred=self.linear(X) return pred torch.manual_seed(1) #对于随机结果模型的一致性=LR(1,1) criterion=nn.MSELoss() #使用损失函数优化器=torch. optimc . sgd (model.parameters()， LR =0.01) #使用使用GD算法的优化器打印(模型)[a,b]=model.parameters() #参数的解包epochs=100 Loss =[] For i in range(epochs):ypred=model.forward(X) loss=criterion(ypred,y) print("epoch:"，i，"loss:"，loss.item()) losses.append(loss) optimizer.zero_grad() loss.backward() optimizer.step() defgrtparameters(): return(a[0][0].item()，b[0].item()) defplotfit(title): plt。title=title a1,b1=grtparameters() x1=np.array([-30,30]) y1=a1*x1+b1 plt.plot(x1,y1，'r') plt.scatter(X,y) plt.show() plotfit('训练模型')
           

输出: