作者🕵️♂️：让机器理解语言か
专栏🎇：PyTorch
描述🎨：PyTorch 是一个基于 Torch 的 Python 开源机器学习库。
寄语💓：🐾没有白走的路，每一步都算数！🐾
介绍💬
这个是我们的第一次课堂测试，共有四个挑战，本测试需要你利用前面所学到的 PyTorch 知识，完成线性回归问题的求解，时间为30min。（文末附有参考答案，请大家认真作答再自行校对！）
知识点📜
- 损失的定义
- 优化器的定义
- 模型的训练
线性回归的求解
首先，让我们来模拟一下，线性回归所需的数据集合：
import numpy as np
from sklearn import datasets
import matplotlib.pyplot as plt
%matplotlib inline
X_numpy, y_numpy = datasets.make_regression(
n_samples=100, n_features=1, noise=20, random_state=4)
plt.plot(X_numpy, y_numpy, 'ro')
如上，我们初始化了一个数据集合。从图中可以看出，该数据集合大致上呈线性分布。
本挑战的目的就寻找一个良好的函数表达式（又叫做模型），该函数表达式能够很好的描述上面数据点的分布，即对上面数据点进行拟合。
在使用 PyTorch 求解模型之前，我们需要将上面的数据集转为 PyTorch 认识的张量。
🚩挑战①：将 X_numpy，y_numpy 转为张量 。
📝要求：转换后的张量用 X,y 表示。
🔔提示：需要利用 tensor.view() 将 y 的维度转 为 2 维。
import torch
import torch.nn as nn
# 编写代码处
# 测试代码
X.size(), y.size()
重要说明
本课程中，你需要自行补充上方单元格中缺失的代码并运行，如果输出结果和下方的期望输出结果一致，即代表此挑战顺利通过。完成全部内容后，点击「提交检测」即可通过，此说明后续不再出现。
✅ 期望输出
(torch.Size([100, 1]), torch.Size([100, 1]))
根据上面图像中数据点的分布情况，我们可以看出，该问题的解决模型应该是一个线性函数模型。接下来让我们使用 PyTorch 来初始化这个线性模型。
🚩 挑战②：线性函数模型的定义 。
📝 要求 ：用 model 变量表示线性函数模型。
### 补充代码 ###
# 测试代码
model
✅期望输出
Linear(in_features=1, out_features=1, bias=True)
定义完模型后，接下来，让我们来定义学习率、损失函数和优化器。
🚩 挑战③：利用 PyTorch 定义学习率、损失函数和优化器 。
📝 要求 ：损失采用均方差损失，学习率取 0.01 。
### 补充代码 ###
# 测试代码
optimizer
✅期望输出
SGD ( Parameter Group 0 dampening: 0 lr: 0.01 momentum: 0 nesterov: False weight_decay: 0 )
最后让我们进行模型的训练，即将数据传入模型中，然后利用梯度下降算法不断的迭代，找到最佳的模型。
🚩 挑战④：利用 PyTorch 训练线性模型 。
📝 提示 ：可以循环迭代 100 次左右 。
### 补充代码 ###
# 测试代码：将通过模型预测出来的值展示到图像中
# 预测结果并转为 NumPy 的形式
predicted = model(X).detach().numpy()
plt.plot(X_numpy, y_numpy, 'ro')
plt.plot(X_numpy, predicted, 'b')
plt.show()
参考答案
本挑战的参考答案如下：文章来源：https://www.toymoban.com/news/detail-416479.html
挑战 1 的参考答案
X = torch.from_numpy(X_numpy.astype(np.float32))
y = torch.from_numpy(y_numpy.astype(np.float32))
y = y.view(y.shape[0], 1)挑战 2 的参考答案
n_samples, n_features = X.shape
input_size = n_features
output_size = 1
model = nn.Linear(input_size, output_size)
挑战 3 的参考答案
learning_rate = 0.01
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
挑战 4 的参考答案
num_epochs = 100
for epoch in range(num_epochs):
# Forward pass and loss
y_predicted = model(X)
loss = criterion(y_predicted, y)
# Backward pass and update
loss.backward()
optimizer.step()
# zero grad before new step
optimizer.zero_grad()
if (epoch+1) % 10 == 0:
print(f'epoch: {epoch+1}, loss = {loss.item():.4f}')实验总结
通过对线性问题的求解，我想你已经了解了如何利用 PyTorch 训练模型的整个过程。当然，本次挑战只是利用梯度下降算法进行了简单的线性回归。在下一个实验中，我们会尝试使用该算法进行非线性问题的求解。文章来源地址https://www.toymoban.com/news/detail-416479.html
到了这里，关于【PyTorch】课堂测试一：线性回归的求解的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
