Pytorch深度学习

X-xue / 2024-10-19 / 原文

线性模型
1.dataset 准备数据集
2.model 选择合适的模型根据数据集的情况选择
3.training 训练
4.将模型里的权重确定下来将来可应用 inferring推理

监督学习
kaggle网站
把拿到的数据集分为两部分一部分叫training set 训练集（x,y) 另外一部分叫测试集
一般情况下我们是知道测试集的结果但是需要通过训练的模型得到结果作用是为了追求模型的准确率

y_hat=x*Ω（权重）
损失函数loss=（y_hat-y)的平方 找到一个权重将平均损失降到最低。均方误差MSE

穷举法
找Ω的是时候可以用到

点击查看代码

import numpy as np                    
import matplotlib.pyplot as plt       #绘图的包 numpy 和matplotlib
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]              #数据集保存(x,y)=(1,2)(2,4)(3,6)
#定义了一个函数forward
def forward(x):
  return x * w
#定义损失函数
def loss(x, y):          
  y_pred = forward(x)
  return (y_pred - y) * (y_pred - y)

w_list = []  #定义权重列表
mse_list = []#定义损失权重列表

for w in np.arange(0.0, 4.1, 0.1): #循环 从0.0到4.1 间隔为0.1
  print('w=', w)
  l_sum = 0
  for x_val, y_val in zip(x_data, y_data):   #将x_data,y_data 拿出来作为本次测试的数据
  y_pred_val = forward(x_val)    #计算y_hat
  loss_val = loss(x_val, y_val)  #得出本次的损失
  l_sum += loss_val              #将损失进行求和
  print('\t', x_val, y_val, y_pred_val, loss_val)
print('MSE=', l_sum / 3)        #损失的均值mse
w_list.append(w)
mse_list.append(l_sum / 3)