PyTorch 基础学习（1） - 快速入门

系列文章：
PyTorch 基础学习（1） - 快速入门
PyTorch 基础学习（2）- 张量 Tensors
PyTorch 基础学习（3） - 张量的数学操作
PyTorch 基础学习（4）- 张量的类型
PyTorch 基础学习（5）- 神经网络

介绍

PyTorch学习，我们从AI的hello world程序（线性回归）开始，线性回归就通过一系列输入x和输出y，计算y = wx + b公式，w和b的合理值，训练后，就可以通过模型计算任意输入x，得到y值。

PyTorch 快速入门：线性回归

1. 环境准备

• 安装 PyTorch

  • 访问 PyTorch 官网，选择适合你的操作系统和 Python 版本的安装命令。通常可以通过 pip 安装：

  pip install torch
  

2. 基本概念

• 张量 (Tensor)：

  • 类似于 NumPy 数组，但可以在 GPU 上运行以加速计算。
  • 是 PyTorch 中数据操作的基本单位。
  • 就是一维或多位数组，在线性回归中就是输入x数组和输出y数组

• 自动微分 (Autograd)：

  • 自动计算张量的梯度，这在训练机器学习模型时非常有用。
  • 就是通过对比结果调整w和b的值，逐渐趋于合理。

• 神经网络 (Neural Networks)：

  • 使用 torch.nn 模块来构建和训练模型。
  • 就是加载模型，torch集成了线性回顾模型

3. 线性回归模型实例

我们将通过一个简单的线性回归示例来介绍 PyTorch 的基本用法。目标是拟合一个线性关系 ( y = 2x )。

线性回归背景

线性回归是用于建模两个变量之间关系的基本统计技术。它假设两个变量之间的关系是线性的，可以用下面的公式表示：

[ y = wx + b ]

• ( w ) 是权重（slope），决定了输入 ( x ) 如何影响输出 ( y )。
• ( b ) 是偏置（intercept），是输出值在输入为 0 时的偏移量。

代码实现与详细注解

import torch
import torch.nn as nn
import torch.optim as optim

# 数据
# 我们创建了一些简单的训练数据。x 是输入张量，y 是目标输出张量。
x = torch.tensor([[1.0], [2.0], [3.0], [4.0]], dtype=torch.float32)
y = torch.tensor([[2.0], [4.0], [6.0], [8.0]], dtype=torch.float32)

# 模型
# 定义一个简单的线性模型，输入和输出都是一维的。
# nn.Linear(1, 1) 意味着我们有一个输入特征和一个输出特征。
model = nn.Linear(1, 1)

# 损失和优化器
# 损失函数用于衡量模型预测值与实际值之间的差异。
# 这里使用均方误差损失（MSE），适合用于回归问题。
criterion = nn.MSELoss()

# 优化器用于更新模型的参数以减少损失。
# 这里使用随机梯度下降（SGD）优化器，学习率设为 0.01。
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 训练
epochs = 1000  # 训练的轮数
for epoch in range(epochs):
    # 前向传播：通过模型计算预测值
    outputs = model(x)

    # 计算损失：比较预测值和实际值
    loss = criterion(outputs, y)

    # 反向传播和优化
    optimizer.zero_grad()  # 清除之前的梯度
    loss.backward()  # 反向传播计算梯度
    optimizer.step()  # 更新模型参数

    # 每 100 个 epoch 打印一次损失
    if (epoch + 1) % 100 == 0:
        print(f'Epoch [{epoch + 1}/{epochs}], Loss: {loss.item():.4f}')

# 测试
# 关闭梯度计算，以提高计算效率，因为我们不再需要计算梯度
with torch.no_grad():
    # 使用训练好的模型进行预测
    predicted = model(torch.tensor([[5.0]]))

    # 打印预测结果
    print(f'Predicted value for input 5.0: {predicted.item():.4f}')

输出：

......
Epoch [800/1000], Loss: 0.0006
Epoch [900/1000], Loss: 0.0003
Epoch [1000/1000], Loss: 0.0002
Predicted value for input 5.0: 9.9769

详细解读

• 数据准备：

  • x 和 y 是一组简单的线性数据对，表示 ( y = 2x ) 的关系。我们使用 PyTorch 的 tensor 创建张量数据。

• 模型定义：

  • nn.Linear(1, 1) 定义了一个线性层，该层有一个输入节点和一个输出节点，表示简单的线性回归模型。

• 损失函数和优化器：

  • 损失函数： nn.MSELoss() 用于计算模型预测值与真实目标值之间的均方误差。
  • 优化器： optim.SGD 是一种优化算法，用于更新模型参数。学习率 lr=0.01 决定了每次参数更新的步长。

• 训练过程：

  • 通过一个循环进行多次迭代，每次迭代都包括前向传播、计算损失、反向传播和参数更新。
  • optimizer.zero_grad() 清除之前的梯度。
  • loss.backward() 计算当前损失相对于参数的梯度。
  • optimizer.step() 更新模型参数以最小化损失。

• 测试模型：

  • torch.no_grad() 禁用梯度计算以提高计算效率，因为我们不需要更新参数。
  • 使用训练好的模型进行预测，并打印结果。