标签：linear 梯度 sel print 基本操作 array sgd forward 第一步
第一步:构造数据
import numpy as np import os x_values = [i for i in range(11)] x_train = np.array(x_values, dtype=np.float32).reshape(-1, 1) y_values = [i * 2 + 1 for i in x_values] y_train = np.array(y_values, dtype=np.float32).reshape(-1, 1)
第二步: 使用class LinearRegressionModel
class LinearRegressionModel(nn.Module): def __init__(self, input_dim, output_dim): super(LinearRegressionModel, self).__init__() self.linear = nn.Linear(input_dim, output_dim) def forward(self, x): out = self.linear(x) return out
第三步: 实例化模型，初始化epochs, 学习率，定义SGD优化函数，以及定义mse优化损失函数
input_dim = 1 output_dim = 1 model = LinearRegressionModel(input_dim, output_dim) epochs = 1000 learning_rate = 0.01 optimizer = torch.optim.SGD(model.parameters(), lr = learning_rate) criterion = nn.MSELoss()
第四步: 如果模型存在就使用model.load_state_dict(torch.load("model.pkl")) 加载模型 参数，进行模型的参数优化，每50次,使用torch.save(model.state_dict)保存模型
if os.path.exists("model.pkl"): model.load_state_dict(torch.load("model.pkl")) for epoch in range(epochs): inputs = torch.from_numpy(x_train) labels = torch.from_numpy(y_train) # 梯度每次清零 optimizer.zero_grad() # 前向传播 outputs = model(inputs) # 计算损失值 loss = criterion(outputs, labels) #反向传播 loss.backward() #更新权重参数 optimizer.step() if epoch % 50 == 0: print("epoch:{},loss:{}".format(epoch, loss.item())) torch.save(model.state_dict(), "model.pkl")
标签：linear 梯度 sel print 基本操作 array sgd forward 第一步
原文地址：https://www.cnblogs.com/my-love-is-python/p/12650327.html
