Pytorch線性規劃模型 學習筆記(一)

Pytorch視訊學習資料參考：《PyTorch深度學習實踐》完結合集

Pytorch搭建神經網路的四大部分

• 1. 準備資料 Prepare dataset

  準備資料包括資料的讀取載入並轉換為torch框架下識別的tensor格式，注意資料的dtype為float32格式

• 2. 設計模型 Design model using class

  網路的基本框架部分，包括自定義的網路layer結構，注意維度的變換要一致，另外，該類中還應包括forward部分

• 3. 構建損失和優化器 Construct loss and optimizer

  根據處理的問題和模型設定合適的損失，或自己構建損失函式。優化器為梯度下降的解決方案，可選擇合適的優化器進行梯度下降

• 4. 重複訓練 Training cycle

  重複訓練部分可以後續設定batchsize的大小，按batch進行隨機梯度下降（此程式碼中暫無設定），注意優化器的清零迭代操作

資料部分

X.csv,y.csv連結: https://pan.baidu.com/s/1dJD8zBewCS86fRgv0nL7kQ 密碼: 0us0
下載後與程式放置在同一資料夾下

程式碼部分

# import

import torch
import numpy as np

## 1. prepare dataset
x_data = 'X.csv'
y_data = 'y.csv'
x = np.loadtxt(x_data, delimiter=' ', dtype=np.float32)
y = np.loadtxt(y_data, delimiter=' ', dtype=np.float32).reshape(-1, 1)
x = torch.from_numpy(x[:, :])
y = torch.from_numpy(y[:, :])
print(y.shape)
print(x.shape)


## 2. design model using class
class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__()
        self.linear1 = torch.nn.Linear(10, 6)
        self.linear2 = torch.nn.Linear(6, 6)
        self.linear3 = torch.nn.Linear(6, 1)
        self.sigmoid = torch.nn.Sigmoid()

    def forward(self, x):
        x = self.linear1(x)
        x = self.linear2(x)
        x = self.linear3(x)
        x = self.sigmoid(x)

        return x
model = LinearModel()


## 3. construct loss and optimizer
criterion = torch.nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr = 0.01)


## 4. training cycle
for epoch in range(500):
    y_hat = model(x)
    loss = criterion(y_hat, y)
    print('epoch', epoch, loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()