标签：linear 初始化 array 操作 sel init 实例化 optimize super
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，使用model.to(device) 将模型的参数更新放在GPU上
input_dim = 1
output_dim = 1
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model = LinearRegressionModel(input_dim, output_dim)
model.to(device)
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 ,使用to(device) 将训练样本和测试样本放在GPU上
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).to(device)
labels = torch.from_numpy(y_train).to(device)
# 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 初始化 array 操作 sel init 实例化 optimize super
原文地址：https://www.cnblogs.com/my-love-is-python/p/12650342.html
