工信部网站备案被删除,泰兴市城乡住房建设局网站,一个网站如何优化,落地页制作用什么软件案例代码用法
torch.tensor(data, dtypeNone, deviceNone, requires_gradFalse)
# data#xff1a;表示要转换为张量的数据。可以是列表、NumPy 数组、标量值或其他可转换为张量的对象。
# dtype#xff1a;可选参数#xff0c;用于指定输出张量的数据类型。如果不指定None, deviceNone, requires_gradFalse)
# data表示要转换为张量的数据。可以是列表、NumPy 数组、标量值或其他可转换为张量的对象。
# dtype可选参数用于指定输出张量的数据类型。如果不指定则会自动推断数据类型。
# device可选参数用于指定输出张量所在的设备。默认为 None表示使用默认设备通常是 CPU。
# requires_grad可选参数表示是否需要计算梯度。默认为 False表示不计算梯度。torch.normal(mean, std, size, outNone, dtypeNone, layouttorch.strided, deviceNone, requires_gradFalse)
# mean表示正态分布的均值。
# std表示正态分布的标准差。
# size表示输出张量的大小。
# out可选参数用于指定输出张量。
# dtype可选参数用于指定输出张量的数据类型。
# layout可选参数用于指定输出张量的布局。
# device可选参数用于指定输出张量所在的设备。
# requires_grad可选参数表示是否需要计算梯度。torch.matmul(input, other, outNone)
# input表示第一个输入张量可以是一个具有至少两个维度的张量。
# other表示第二个输入张量也可以是一个具有至少两个维度的张量。
# out可选参数表示输出张量。如果指定了 out则结果将被写入到该张量中。如果未指定 out则会创建一个新的张量来保存结果。d2l.set_figsize() #是 Deep Learning - The Straight DopeD2L教材中提供的一个辅助函数用于设置绘图的图像尺寸。def load_array(data_arrays, batch_size, is_trainTrue):# data_arrays一个包含输入特征 X 和对应标签 y 的列表或元组。通过解包 data_arrays将其中的元素作为参数传递给 TensorDataset 类构建一个数据集。# batch_size整数值指定每个批次的样本数量。# is_train一个布尔值指示是否在训练模式下默认为 True。dataloader data.DataLoader(dataset, batch_size32, shuffleTrue, num_workers4)# dataset数据集可以是 TensorDataset 或其他自定义的数据集类。数据集中包含了训练样本的特征和标签。# batch_size一个整数表示每个批次(batch)中包含的样本数量。# shuffle一个布尔值指示是否在每个迭代周期中打乱数据顺序。# num_workers一个整数表示用于加载数据的子进程数量。net[0]是模型中的第一个全连接层。.weight.data用于访问全连接层的权重参数并使其正态分布地初始化。
线性回归
import random
import torch
from d2l import torch as d2ldef synthetic_data(w, b, num_examples):生成 y Xw b 噪声# 第一个参数 0 表示正态分布的均值。# 第二个参数 1 表示正态分布的标准差方差的平方根。# 第三个参数 (num_examples, len(w)) 表示输出张量的形状其中 num_examples 是例子的数量len(w) 是 w 向量的长度。X torch.normal(0, 1, (num_examples, len(w)))y torch.matmul(X, w) by torch.normal(0, 0.01, y.shape)return X, y.reshape((-1, 1))true_w torch.tensor([2, -3.4])
true_b 4.2
features, labels synthetic_data(true_w, true_b, 1000)print(features.shape:, features.shape)
print(labels.shape:, labels.shape)d2l.set_figsize()# features[:,1]表示选择 features 张量的第二列数据
# .detach().numpy() 将其转换为 NumPy 数组
d2l.plt.scatter(features[:, 1].detach().numpy(), labels.detach().numpy(), 1)
# d2l.plt.show()# data_iter函数接收批量大小、特征矩阵和标签向量作为输入生成大小为batch_size的小批量
def data_iter(batch_size, features, labels):num_examples len(features) # 样本个数indices list(range(num_examples)) # 样本索引random.shuffle(indices) # 把索引随机打乱for i in range(0, num_examples, batch_size):batch_indices torch.tensor(indices[i:min(ibatch_size,num_examples)]) # 当ibatch_size超出时取num_examplesyield features[batch_indices], labels[batch_indices] # 它会在迭代过程中依次生成值而不是一次性返回所有值。batch_size 10
for X, y in data_iter(batch_size, features, labels):# print(X, \n, y)breakw torch.normal(0, 0.01, size(2, 1), requires_gradTrue)
b torch.zeros(1, requires_gradTrue)def linreg(X, w, b):线性回归模型return torch.matmul(X, w) bdef squared_loss(y_hat, y):均方损失return (y_hat - y.reshape(y_hat.shape))**2 / 2def sgd(params, lr, batch_size):小批量随机梯度下降with torch.no_grad(): # 不要产生梯度计算减少内存消耗for param in params:param - lr * param.grad / batch_sizeparam.grad.zero_()lr 0.03
num_epochs 3
net linreg
loss squared_loss
# 训练过程
for epoch in range(num_epochs):for X, y in data_iter(batch_size, features, labels):l loss(net(X, w, b), y) # x和y的小批量损失l.sum().backward() # 反向传播计算梯度sgd([w, b], lr, batch_size) # 使用参数的梯度更新参数with torch.no_grad():train_l loss(net(features, w, b), labels)print(fepoch{epoch 1}, loss{float(train_l.mean()):f})print(fw的估计误差: {true_w - w.reshape(true_w.shape)})
print(fb的估计误差: {true_b - b})代码优化
import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l
from torch import nntrue_w torch.tensor([2, -3.4])
true_b 4.2
features, labels d2l.synthetic_data(true_w, true_b, 1000) # 生成人工数据集def load_array(data_arrays, batch_size, is_trainTrue):构造一个pytorch数据迭代器#*data_arrays 表示将 data_arrays 中的元素解包并作为参数传递给 TensorDataset 类dataset data.TensorDataset(*data_arrays)#使用 DataLoader 创建一个数据加载器用于从数据集中随机选择批次大小的样本。return data.DataLoader(dataset,batch_size,shuffleis_train)#返回的是从dataset中随机挑选出batch_size个样本出来batch_size 10
data_iter load_array((features,labels),batch_size)# 返回的数据的迭代器
print(next(iter(data_iter)))
# print(next(iter(data_iter)))net nn.Sequential(nn.Linear(2,1))# 初始化参数
net[0].weight.data.normal_(0,0.01)# 初始化第一个全连接层的权重参数
net[0].bias.data.fill_(0)# 初始化第一个全连接层的偏置为0loss nn.MSELoss()trainer torch.optim.SGD(net.parameters(),lr0.03)num_epochs 3
for epoch in range(num_epochs):for X,y in data_iter:# print(X:,X)# print(y:,y)l loss(net(X),y)# net(X) 为计算出来的线性回归的预测值trainer.zero_grad()# 梯度清零l.backward()trainer.step()# SGD优化器优化模型l loss(net(features),labels)print(fepoch{epoch1},loss{l:f})跟学B站李沐《动手学深度学习》
资源来源B站小王同学在积累
