机器学习 | PyTorch简明教程上篇

---

前面几篇文章介绍了特征归一化和张量，接下来开始写两篇pytorch简明教程，主要介绍pytorch简单实践。

1、四则运算

import torcha = torch.tensor([2, 3, 4])b = torch.tensor([3, 4, 5])print("a + b: ", (a + b).numpy())print("a - b: ", (a - b).numpy())print("a * b: ", (a * b).numpy())print("a / b: ", (a / b).numpy())

加减乘除就不用多解释了，输出为：

a + b:[5 7 9]a - b:[-1 -1 -1]a * b:[ 6 12 20]a / b:[0.6666667 0.750.8]

2、线性回归

线性回归是找到一条直线尽可能接近已知点，如图：

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

图1

import torchfrom torch import optimdef build_model1():return torch.nn.Sequential(torch.nn.Linear(1, 1, bias=False))def build_model2():model = torch.nn.Sequential()model.add_module("linear", torch.nn.Linear(1, 1, bias=False))return modeldef train(model, loss, optimizer, x, y):model.train()optimizer.zero_grad()fx = model.forward(x.view(len(x), 1)).squeeze()output = loss.forward(fx, y)output.backward()optimizer.step()return output.item()def main():torch.manual_seed(42)X = torch.linspace(-1, 1, 101, requires_grad=False)Y = 2 * X + torch.randn(X.size()) * 0.33print("X: ", X.numpy(), ", Y: ", Y.numpy())model = build_model1()loss = torch.nn.MSELoss(reductinotallow='mean')optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)batch_size = 10for i in range(100):cost = 0.num_batches = len(X) // batch_sizefor k in range(num_batches):start, end = k * batch_size, (k + 1) * batch_sizecost += train(model, loss, optimizer, X[start:end], Y[start:end])print("Epoch = %d, cost = %s" % (i + 1, cost / num_batches))w = next(model.parameters()).dataprint("w = %.2f" % w.numpy())if __name__ == "__main__":main()

（1）先从main函数开始，torch.manual_seed(42)用于设置随机数生成器的种子，以确保在每次运行时生成的随机数序列相同，该函数接受一个整数参数作为种子，可以在训练神经网络等需要随机数的场景中使用，以确保结果的可重复性；

（2）torch.linspace(-1, 1, 101, requires_grad=False)用于在指定的区间内生成一组等间隔的数值，该函数接受三个参数：起始值、终止值和元素个数，返回一个张量，其中包含了指定个数的等间隔数值；

（3）build_model1的内部实现：

• torch.nn.Sequential(torch.nn.Linear(1, 1, bias=False))中使用nn.Sequential类的构造函数，将线性层作为参数传递给它，然后返回一个包含该线性层的神经网络模型；
• build_model2和build_model1功能一样，使用add_module()方法向其中添加了一个名为linear的子模块；

（4）torch.nn.MSELoss(reductinotallow='mean')定义损失函数；

使用optim.SGD(model.parameters(), lr=0.01, momentum=0.9)可以实现随机梯度下降（Stochastic Gradient Descent，SGD）优化算法

将训练集通过批量大小拆分，循环100次

（7）接下来是训练函数train，用于训练一个神经网络模型，具体来说，该函数接受以下参数：

• model：神经网络模型，通常是一个继承自nn.Module的类的实例；
• loss：损失函数，用于计算模型的预测值与真实值之间的差异；
• optimizer：优化器，用于更新模型的参数；
• x：输入数据，是一个torch.Tensor类型的张量；
• y：目标数据，是一个torch.Tensor类型的张量；

（8）train是PyTorch训练过程中常用的方法，其步骤如下：

• 将模型设置为训练模式，即启用dropout和batch normalization等训练时使用的特殊操作；
• 将优化器的梯度缓存清零，以便进行新一轮的梯度计算；
• 将输入数据传递给模型，计算模型的预测值，并将预测值与目标数据传递给损失函数，计算损失值；
• 对损失值进行反向传播，计算模型参数的梯度；
• 使用优化器更新模型参数，以最小化损失值；
• 返回损失值的标量值；

（9）print("轮次 = %d, 损失值 = %s" % (i + 1, cost / num_batches)) 最后打印当前训练的轮次和损失值，上述的代码输出如下：

...Epoch = 95, cost = 0.10514946877956391Epoch = 96, cost = 0.10514946877956391Epoch = 97, cost = 0.10514946877956391Epoch = 98, cost = 0.10514946877956391Epoch = 99, cost = 0.10514946877956391Epoch = 100, cost = 0.10514946877956391w = 1.98

3、逻辑回归

逻辑回归即用一根曲线近似表示一堆离散点的轨迹，如图：

Voicepods

Voicepods是一个在线文本转语音平台，允许用户在30秒内将任何书面文本转换为音频文件。

142 查看详情

图2

import numpy as npimport torchfrom torch import optimfrom data_util import load_mnistdef build_model(input_dim, output_dim):return torch.nn.Sequential(torch.nn.Linear(input_dim, output_dim, bias=False))def train(model, loss, optimizer, x_val, y_val):model.train()optimizer.zero_grad()fx = model.forward(x_val)output = loss.forward(fx, y_val)output.backward()optimizer.step()return output.item()def predict(model, x_val):model.eval()output = model.forward(x_val)return output.data.numpy().argmax(axis=1)def main():torch.manual_seed(42)trX, teX, trY, teY = load_mnist(notallow=False)trX = torch.from_numpy(trX).float()teX = torch.from_numpy(teX).float()trY = torch.tensor(trY)n_examples, n_features = trX.size()n_classes = 10model = build_model(n_features, n_classes)loss = torch.nn.CrossEntropyLoss(reductinotallow='mean')optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)batch_size = 100for i in range(100):cost = 0.num_batches = n_examples // batch_sizefor k in range(num_batches):start, end = k * batch_size, (k + 1) * batch_sizecost += train(model, loss, optimizer,trX[start:end], trY[start:end])predY = predict(model, teX)print("Epoch %d, cost = %f, acc = %.2f%%"% (i + 1, cost / num_batches, 100. * np.mean(predY == teY)))if __name__ == "__main__":main()

（1）先从main函数开始，torch.manual_seed(42)上面有介绍，在此略过；

（2）load_mnist是自己实现下载mnist数据集，返回trX和teX是输入数据，trY和teY是标签数据；

（3）build_model内部实现：torch.nn.Sequential(torch.nn.Linear(input_dim, output_dim, bias=False)) 用于构建一个包含一个线性层的神经网络模型，模型的输入特征数量为input_dim，输出特征数量为output_dim，且该线性层没有偏置项，其中n_classes=10表示输出10个分类； 重写后： （3）build_model内部实现：使用torch.nn.Sequential(torch.nn.Linear(input_dim, output_dim, bias=False)) 来构建一个包含一个线性层的神经网络模型，该模型的输入特征数量为input_dim，输出特征数量为output_dim，且该线性层没有偏置项。其中n_classes=10表示输出10个分类；

（4）其他的步骤就是定义损失函数，梯度下降优化器，通过batch_size将训练集拆分，循环100次进行train；

使用optim.SGD(model.parameters(), lr=0.01, momentum=0.9)可以实现随机梯度下降（Stochastic Gradient Descent，SGD）优化算法

（6）在每一轮训练结束后，需要执行predict函数来进行预测。该函数接受两个参数model（已经训练好的模型）和teX（需要进行预测的数据）。具体步骤如下：

• model.eval()模型设置为评估模式，这意味着模型将不会进行训练，而是仅用于推理；
• 将output转换为NumPy数组，并使用argmax()方法获取每个样本的预测类别；

（7）print("Epoch %d, cost = %f, acc = %.2f%%" % (i + 1, cost / num_batches, 100. * np.mean(predY == teY)))最后打印当前训练的轮次，损失值和acc，上述的代码输出如下（执行很快，但是准确率偏低）：

...Epoch 91, cost = 0.252863, acc = 92.52%Epoch 92, cost = 0.252717, acc = 92.51%Epoch 93, cost = 0.252573, acc = 92.50%Epoch 94, cost = 0.252431, acc = 92.50%Epoch 95, cost = 0.252291, acc = 92.52%Epoch 96, cost = 0.252153, acc = 92.52%Epoch 97, cost = 0.252016, acc = 92.51%Epoch 98, cost = 0.251882, acc = 92.51%Epoch 99, cost = 0.251749, acc = 92.51%Epoch 100, cost = 0.251617, acc = 92.51%

4、神经网络

一个经典的LeNet网络，用于对字符进行分类，如图：

图3

• 定义一个多层的神经网络
• 对数据集的预处理并准备作为网络的输入
• 将数据输入到网络
• 计算网络的损失
• 反向传播，计算梯度

import numpy as npimport torchfrom torch import optimfrom data_util import load_mnistdef build_model(input_dim, output_dim):return torch.nn.Sequential(torch.nn.Linear(input_dim, 512, bias=False),torch.nn.Sigmoid(),torch.nn.Linear(512, output_dim, bias=False))def train(model, loss, optimizer, x_val, y_val):model.train()optimizer.zero_grad()fx = model.forward(x_val)output = loss.forward(fx, y_val)output.backward()optimizer.step()return output.item()def predict(model, x_val):model.eval()output = model.forward(x_val)return output.data.numpy().argmax(axis=1)def main():torch.manual_seed(42)trX, teX, trY, teY = load_mnist(notallow=False)trX = torch.from_numpy(trX).float()teX = torch.from_numpy(teX).float()trY = torch.tensor(trY)n_examples, n_features = trX.size()n_classes = 10model = build_model(n_features, n_classes)loss = torch.nn.CrossEntropyLoss(reductinotallow='mean')optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)batch_size = 100for i in range(100):cost = 0.num_batches = n_examples // batch_sizefor k in range(num_batches):start, end = k * batch_size, (k + 1) * batch_sizecost += train(model, loss, optimizer,trX[start:end], trY[start:end])predY = predict(model, teX)print("Epoch %d, cost = %f, acc = %.2f%%"% (i + 1, cost / num_batches, 100. * np.mean(predY == teY)))if __name__ == "__main__":main()

（1）以上这段神经网络的代码与逻辑回归没有太多的差异，区别的地方是build_model，这里是构建一个包含两个线性层和一个Sigmoid激活函数的神经网络模型，该模型包含一个输入特征数量为input_dim，输出特征数量为output_dim的线性层，一个Sigmoid激活函数，以及一个输入特征数量为512，输出特征数量为output_dim的线性层；

（2）print("Epoch %d, cost = %f, acc = %.2f%%" % (i + 1, cost / num_batches, 100. * np.mean(predY == teY)))最后打印当前训练的轮次，损失值和acc，上述的代码输入如下（执行时间比逻辑回归要长，但是准确率要高很多）：

第91个时期，费用= 0.054484，准确率= 97.58％第92个时期，费用= 0.053753，准确率= 97.56％第93个时期，费用= 0.053036，准确率= 97.60％第94个时期，费用= 0.052332，准确率= 97.61％第95个时期，费用= 0.051641，准确率= 97.63％第96个时期，费用= 0.050964，准确率= 97.66％第97个时期，费用= 0.050298，准确率= 97.66％第98个时期，费用= 0.049645，准确率= 97.67％第99个时期，费用= 0.049003，准确率= 97.67％第100个时期，费用= 0.048373，准确率= 97.68％

以上就是机器学习 | PyTorch简明教程上篇的详细内容，更多请关注其它相关文章！

# 可以实现  # 姜堰优化seo  # 昆明b站关键词排名优化  # 燕郊新闻营销推广公司  # 外贸公司网站优化的软件  # 虹口区营销推广设计  # 上海餐饮seo排名  # 武侯区抖音seo费用  # 网站建设咨询出售  # 沉浸式快递外国网站推广  # 浙江网站建设服务  # 机器学习  # 一幅  # 构建一个  # 微软  # 如图  # 官网  # 上篇  # 随机数  # 是一个  # 量为  # PyTorch 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： 即时 AI再次升级 30秒生成自带动效的网页 生成速度提升100%  人工智能产业协同创新中心：全产业链资源在这里汇聚  Xreal AR 眼镜用投屏盒子 Beam 发布：分体式设计，到手 699 元  微软向美国政府提供GPT大模型，如何保证安全性？  塑造全能智能管家：华为小艺AI加成应对大模型挑战  原小米 9 号员工李明打造全球首款 AI 安卓桌面机器人  阿里云AI绘画创作大模型通义万相发布 已开启定向邀测  微软推出 LLaVA-Med AI 模型，可对医学病理案例进行分析  昇思开源社区理事会成立，基于昇思AI框架的全模态大模型“紫东.太初2.0”发布  稿见AI助手：提升写作效率与质量的必备工具  探索人工智能在物联网领域的影响与改变  AI和ML推动联网设备的增长  AI 助手 Copilot 上线，微软 Win11 Dev 预览版 Build 23493 发布  海南科技职业大学第25届中国机器人及人工智能大赛海南赛区荣获一等奖等114项  张朝阳与陆川谈AI：ChatGPT是鹦鹉学舌思维，不可能取代人类 | 把脉AI大模型  利用AI技术更好地发展农村电商  日入400万，第一批AI骗子已上岗  生成式AI引路产业加速来袭，微美全息探索“AIGC+虚拟人”融合应用  小米首次曝光 64 亿参数的 MiLM-6B AI 大模型，或将应用于小爱同学  深企派遣无人机救援队赴京津冀开展防汛救灾任务  人工智能时代的科幻译者怎么办？“做好翻译工作的高端10%”｜文化观察  令人震惊的特斯拉机器人  DreamAvatar数字人在哪里下载  华为联合合作伙伴 共同发布昇腾AI大模型训推一体化解决方案  腾讯机器狗进化：通过深度学习掌握自主决策能力  纪录片 《寻找人工智能》全集1080P超清  首个算网生态体！中国移动元宇宙产业联盟正式成立  7大探索区域打造沉浸式玩乐“元宇宙” 昆明京东MALL未来科技探索官全城招募中  发布最新版本的 PICO OS 5.7.0：支持VR头盔录屏并跨平台分享至微信  Meta将VR头显最低年龄限制从13岁降至10岁  “一般智力”与工艺学批判是认识AI的重要入口 | 社会科学报  B站内测 AI 搜索功能，输入“？”即可体验  优化系统韧性：故障恢复与监控在RabbitMQ中的应用  VR健身应用《FitXR》将取消Quest 1端会员服务  “黑科技”亮相大湾区轨交论坛 智慧交通迈向“强AI”  家电行业观察：AI加持下，全屋智能将成为智能家电未来？  OpenAI首席执行官表态支持欧盟AI监管  世界人工智能大会上，科大讯飞宣布与华为联手  机构研选 | 虚拟电厂是电力物联网升级版 智能电网望迎来高速发展  AI赋能艺术 超现实达利奇幻之旅在沪开启  农业产业升级：AI驱动的“崃·见田”开启农田未来展望  普林斯顿大学推出 Infinigen AI 模型，生成真实自然环境 3D 场景  物联网“僵尸网络DDos攻击”增长惊人，威胁全球电信网络  沐曦首款AI推理GPU亮相：INT8算力达160TOPS！  常见的五个人工智能误解  从数据中心到发电站：人工智能对能源使用的影响  深剖Apple Vision Pro中暗藏的“AI”  当孔子遇见AI｜尼山的“数字”  猿编程参加人工智能高峰论坛，推动人工智能教育解决方案在千所学校推行  AI连线 | 专访风平智能CEO林洪祥：让AI数字人拥有漂亮的外表和有趣的灵魂，安全问题是重要考量 

 2023-11-02