第一個pytorch程序（Pycharm）

pytorch開發環境搭建(win10)   

上一篇（pytorch開發環境搭建(win10)   ）完成了pytorch環境搭建

本篇就來介紹第一個pytorch程序及　

我的是windows環境，開發工具Pycharm

 

一、新建工程

   

 

工程名：pytorch-test

畫紅圈的選中

 

點擊creat 創建

二、創建pytorch測試文件

創建test-one.py文件

詳細 代碼如下

#!～/anaconda3/bin/python
# _*_ coding:UTF-8 _*_
from __future__ import print_function
from itertools import count

import numpy as np
import torch
import torch.autograd

import torch.nn.functional as F
from torch.autograd import Variable
import matplotlib.pyplot as plt

random_state = 5000
torch.manual_seed(random_state)
poly_degree = 4
W_target = torch.randn(poly_degree, 1) * 5
b_target = torch.randn(1) * 5


def make_features(x):
    """
    創建一個特徵矩陣結構爲[x, x^2, x^3, x^4].
    """
    x = x.unsqueeze(1)
    return torch.cat([x ** i for i in range(1, poly_degree + 1)], 1)


def f(x):
    """近似函數"""
    return x.mm(W_target) + b_target[0]


def poly_desc(W, b):
    """生成多項式描述內容"""
    result = 'y = '
    for i, w in enumerate(W):
        result += '{:+.2f} x^{} '.format(w, len(W) - i)
    result += '{:+.2f}'.format(b[0])
    return result


def get_batch(batch_size=32):
    """創建類似(x, f(x))批數據"""
    random = torch.from_numpy(np.sort(torch.randn(batch_size)))
    x = make_features(random)
    y = f(x)
    return Variable(x), Variable(y)


# 聲明模型
fc = torch.nn.Linear(W_target.size(0), 1)

for batch_idx in count(1):
    # 獲取數據
    batch_x, batch_y = get_batch()
    # 重製求導
    fc.zero_grad()

    # 前向傳播
    output = F.smooth_l1_loss(fc(batch_x), batch_y)
    loss = output.item()

    # 後向傳播
    output.backward()

    # 應用導數
    for param in fc.parameters():
        param.data.add_(-0.1 * param.grad.data)

    # 停止條件
    if loss < 1e-3:
        plt.cla()
        plt.scatter(batch_x.data.numpy()[:, 0], batch_y.data.numpy()[:, 0], label='real curve', color='b')
        plt.plot(batch_x.data.numpy()[:, 0], fc(batch_x).data.numpy()[:, 0], label='fitting curve', color='r')
        plt.title('$Y=W^T*X+b$')
        plt.legend()
        plt.savefig('1.png')
        plt.show()
        break

print('Loss: {:.6f} after {} batches'.format(loss, batch_idx))
print('==> Learned function:\t' + poly_desc(fc.weight.data.view(-1), fc.bias.data))
print('==> Actual function:\t' + poly_desc(W_target.view(-1), b_target))

 

運行文件

 

結果如下

 

 

這是個經典線性函數
此處創建了一些隨機訓練樣本，使其符合經典函數Y=MTX+b Y=M^TX+bY=M 
T
 X+b分佈，再增加一點噪聲處理使得樣本出現一定的偏差。然後創建一個線性迴歸的模型，在訓練過程中對訓練樣本進行反向傳播，求導後根據指定的損失邊界結束訓練。
 

 

上圖白色就是線性迴歸的結果