【深度学习】实验12 使用PyTorch训练模型

简介: 【深度学习】实验12 使用PyTorch训练模型

使用PyTorch训练模型

PyTorch是一个基于Python的科学计算库,它是一个开源的机器学习框架,由Facebook公司于2016年开源。它提供了构建动态计算图的功能,可以更自然地使用Python语言编写深度神经网络的程序,具有易于使用、灵活、高效等特点,被广泛应用于深度学习任务中。


PyTorch的核心是动态计算图(Dynamic Computational Graph),这意味着计算图是在运行时动态生成的,而不是预先编译好的。这个特点使得PyTorch具有高度的灵活性,可以更加轻松地进行实验和调试。同时,它也有一个静态计算图模块,可以用于生产环境中,提高计算效率。


另外,PyTorch的另一个特点是它的张量计算。张量是PyTorch中的核心数据结构,类似于NumPy中的数组。PyTorch支持GPU加速,可以使用GPU进行张量计算,大大提高了计算效率。同时,它也支持自动求导功能,可以自动计算张量的梯度,使得深度学习的模型训练更加便捷。


PyTorch还提供了丰富的模型库,包括经典的深度学习模型,如卷积神经网络(CNN)、循环神经网络(RNN)和生成对抗网络(GAN),以及各种领域的预训练模型,如自然语言处理(NLP)和计算机视觉(CV),可以快速搭建和训练模型。


PyTorch也具有良好的社区支持。它的文档详细且易于理解,社区提供了大量的示例和教程,可以帮助用户更好地学习和使用PyTorch。同时,PyTorch还有一个活跃的开发团队,定期发布新的版本,修复bug和增加新的特性,保证了PyTorch的稳定性和可用性。


总的来说,PyTorch是一个强大、灵活、易于使用的机器学习框架,具有良好的社区支持和广泛的应用领域,能够满足不同用户的需求。随着人工智能的不断发展,PyTorch的应用将会更加广泛。

1. 线性回归类

import torch
import numpy as np
import matplotlib.pyplot as plt
class LinearRegression(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = torch.nn.Linear(1, 1)
        self.optimizer = torch.optim.SGD(self.parameters(), lr=0.01)
        self.loss_function = torch.nn.MSELoss()
    def forward(self, x):
        out = self.linear(x)
        return out
    def train(self, data, model_save_path='model.path'):
        x = data["x"]
        y = data["y"]
        for epoch in range(10000):
            prediction = self.forward(x)
            loss = self.loss_function(prediction, y)
            self.optimizer.zero_grad()
            loss.backward()
            self.optimizer.step()
            if epoch % 100 == 0:
                print("epoch:{}, loss is:{}".format(epoch, loss.item()))
        torch.save(self.state_dict(), "linear.pth")
    def test(self, x, model_path="linear.pth"):
        x = data["x"]
        y = data["y"]
        self.load_state_dict(torch.load(model_path))
        prediction = self.forward(x)
        plt.scatter(x.numpy(), y.numpy(), c=x.numpy())
        plt.plot(x.numpy(), prediction.detach().numpy(), color="r")
        plt.show()

该Python代码实现了一个简单的线性回归模型,并进行了训练和测试。


首先,导入了PyTorch、NumPy和Matplotlib.pyplot库。


接下来,定义了一个名为LinearRegression的类,它是一个继承自torch.nn.Module的类,因此可以利用PyTorch的自动求导和优化功能。在该类的初始化方法中,定义了一个torch.nn.Linear对象,它表示一个全连接层,输入大小为1,输出大小为1;并定义了一个torch.optim.SGD对象,它表示随机梯度下降法的优化器,学习率为0.01;以及一个torch.nn.MSELoss对象,它表示均方误差损失函数。


接下来,定义了一个名为forward的方法,它表示前向传递过程,即对输入进行线性变换,得到输出。


然后,定义了一个名为train的方法,它接受一个数据字典和一个模型保存路径作为输入。该方法首先从数据字典中获取输入数据x和输出数据y,然后进行10000次迭代训练。在每次迭代中,先将输入数据x送入模型中得到预测输出prediction,然后计算预测输出和真实输出之间的均方误差损失loss,并进行反向传播和参数优化。每100次迭代打印一次损失值。最后将模型参数保存到指定的文件路径中。


最后,定义了一个名为test的方法,它接受一个输入数据x和一个模型保存路径作为输入。该方法首先从文件中加载训练好的模型参数,然后将输入数据x送入模型中得到预测输出prediction,并将预测输出和真实输出以及输入数据可视化展示出来。


总之,这段代码实现了一个简单的线性回归模型,并可以通过train方法进行训练,通过test方法进行测试和可视化展示。


2. 创建数据集

def create_linear_data(nums_data, if_plot=False):
    x = torch.linspace(0, 1, nums_data)
    x = torch.unsqueeze(x, dim = 1)
    k = 2
    y = k * x + torch.rand(x.size())
    if if_plot:
        plt.scatter(x.numpy(), y.numpy(), c=x.numpy())
        plt.show()
    data = {"x":x, "y":y}
    return data
data = create_linear_data(300, if_plot=True)

3. 训练模型

model = LinearRegression()
model.train(data)
   epoch:0, loss is:3.8653182983398438
   epoch:100, loss is:0.31251025199890137
   epoch:200, loss is:0.2438090741634369
   epoch:300, loss is:0.20671892166137695
   epoch:400, loss is:0.17835141718387604
   epoch:500, loss is:0.15658551454544067
   epoch:600, loss is:0.13988454639911652
   epoch:700, loss is:0.12706983089447021
   epoch:800, loss is:0.11723710596561432
   epoch:900, loss is:0.10969242453575134
   epoch:1000, loss is:0.10390334576368332
   epoch:1100, loss is:0.09946136921644211
   epoch:1200, loss is:0.09605306386947632
   epoch:1300, loss is:0.09343785047531128
   epoch:1400, loss is:0.09143117070198059
   epoch:1500, loss is:0.0898914709687233
   epoch:1600, loss is:0.08871004730463028
   epoch:1700, loss is:0.08780352771282196
   epoch:1800, loss is:0.08710794895887375
   epoch:1900, loss is:0.08657423406839371
   epoch:2000, loss is:0.08616471290588379
   epoch:2100, loss is:0.08585048466920853
   epoch:2200, loss is:0.08560937643051147
   epoch:2300, loss is:0.08542437106370926
   epoch:2400, loss is:0.08528240770101547
   epoch:2500, loss is:0.08517350256443024
   epoch:2600, loss is:0.08508992940187454
   epoch:2700, loss is:0.08502580225467682
   epoch:2800, loss is:0.08497659116983414
   epoch:2900, loss is:0.08493883907794952
   epoch:3000, loss is:0.08490986377000809
   epoch:3100, loss is:0.08488764613866806
   epoch:3200, loss is:0.08487057685852051
   epoch:3300, loss is:0.08485749363899231
   epoch:3400, loss is:0.08484745025634766
   epoch:3500, loss is:0.08483975380659103
   epoch:3600, loss is:0.08483383059501648
   epoch:3700, loss is:0.08482930809259415
   epoch:3800, loss is:0.08482582122087479
   epoch:3900, loss is:0.08482315391302109
   epoch:4000, loss is:0.08482109755277634
   epoch:4100, loss is:0.08481952548027039
   epoch:4200, loss is:0.08481831848621368
   epoch:4300, loss is:0.08481740206480026
   epoch:4400, loss is:0.08481667935848236
   epoch:4500, loss is:0.08481614291667938
   epoch:4600, loss is:0.08481571823358536
   epoch:4700, loss is:0.08481539785861969
   epoch:4800, loss is:0.08481515198945999
   epoch:4900, loss is:0.08481497317552567
   epoch:5000, loss is:0.08481481671333313
   epoch:5100, loss is:0.08481471240520477
   epoch:5200, loss is:0.08481462299823761
   epoch:5300, loss is:0.08481455594301224
   epoch:5400, loss is:0.08481451123952866
   epoch:5500, loss is:0.08481448143720627
   epoch:5600, loss is:0.08481443673372269
   epoch:5700, loss is:0.08481442183256149
   epoch:5800, loss is:0.0848143994808197
   epoch:5900, loss is:0.0848143920302391
   epoch:6000, loss is:0.08481437712907791
   epoch:6100, loss is:0.08481436222791672
   epoch:6200, loss is:0.08481435477733612
   epoch:6300, loss is:0.08481435477733612
   epoch:6400, loss is:0.08481435477733612
   epoch:6500, loss is:0.08481435477733612
   epoch:6600, loss is:0.08481435477733612
   epoch:6700, loss is:0.08481435477733612
   epoch:6800, loss is:0.08481434732675552
   epoch:6900, loss is:0.08481435477733612
   epoch:7000, loss is:0.08481433987617493
   epoch:7100, loss is:0.08481435477733612
   epoch:7200, loss is:0.08481433987617493
   epoch:7300, loss is:0.08481433987617493
   epoch:7400, loss is:0.08481434732675552
   epoch:7500, loss is:0.08481434732675552
   epoch:7600, loss is:0.08481434732675552
   epoch:7700, loss is:0.08481434732675552
   epoch:7800, loss is:0.08481434732675552
   epoch:7900, loss is:0.08481434732675552
   epoch:8000, loss is:0.08481434732675552
   epoch:8100, loss is:0.08481434732675552
   epoch:8200, loss is:0.08481434732675552
   epoch:8300, loss is:0.08481434732675552
   epoch:8400, loss is:0.08481434732675552
   epoch:8500, loss is:0.08481434732675552
   epoch:8600, loss is:0.08481434732675552
   epoch:8700, loss is:0.08481434732675552
   epoch:8800, loss is:0.08481434732675552
   epoch:8900, loss is:0.08481434732675552
   epoch:9000, loss is:0.08481434732675552
   epoch:9100, loss is:0.08481434732675552
   epoch:9200, loss is:0.08481434732675552
   epoch:9300, loss is:0.08481434732675552
   epoch:9400, loss is:0.08481434732675552
   epoch:9500, loss is:0.08481434732675552
   epoch:9600, loss is:0.08481434732675552
   epoch:9700, loss is:0.08481434732675552
   epoch:9800, loss is:0.08481434732675552
   epoch:9900, loss is:0.08481434732675552
model.test(data)

4. 测试模型

目录
相关文章
|
18天前
|
机器学习/深度学习 数据采集 TensorFlow
使用Python实现智能食品加工优化的深度学习模型
使用Python实现智能食品加工优化的深度学习模型
120 59
|
13天前
|
机器学习/深度学习 数据采集 TensorFlow
使用Python实现智能食品市场预测的深度学习模型
使用Python实现智能食品市场预测的深度学习模型
54 5
|
8天前
|
机器学习/深度学习 数据采集 运维
使用 Python 实现深度学习模型:智能食品生产线优化
使用 Python 实现深度学习模型:智能食品生产线优化
44 13
|
4天前
|
机器学习/深度学习 数据采集 数据可视化
TensorFlow,一款由谷歌开发的开源深度学习框架,详细讲解了使用 TensorFlow 构建深度学习模型的步骤
本文介绍了 TensorFlow,一款由谷歌开发的开源深度学习框架,详细讲解了使用 TensorFlow 构建深度学习模型的步骤,包括数据准备、模型定义、损失函数与优化器选择、模型训练与评估、模型保存与部署,并展示了构建全连接神经网络的具体示例。此外,还探讨了 TensorFlow 的高级特性,如自动微分、模型可视化和分布式训练,以及其在未来的发展前景。
24 5
|
13天前
|
机器学习/深度学习 人工智能 自然语言处理
探索深度学习中的Transformer模型
探索深度学习中的Transformer模型
24 1
|
15天前
|
机器学习/深度学习 算法 开发者
探索深度学习中的优化器选择对模型性能的影响
在深度学习领域,优化器的选择对于模型训练的效果具有决定性作用。本文通过对比分析不同优化器的工作原理及其在实际应用中的表现,探讨了如何根据具体任务选择合适的优化器以提高模型性能。文章首先概述了几种常见的优化算法,包括梯度下降法、随机梯度下降法(SGD)、动量法、AdaGrad、RMSProp和Adam等;然后,通过实验验证了这些优化器在不同数据集上训练神经网络时的效率与准确性差异;最后,提出了一些基于经验的规则帮助开发者更好地做出选择。
|
15天前
|
机器学习/深度学习 算法 数据可视化
使用Python实现深度学习模型:智能食品配送优化
使用Python实现深度学习模型:智能食品配送优化
36 2
|
14天前
|
机器学习/深度学习 人工智能 算法
【手写数字识别】Python+深度学习+机器学习+人工智能+TensorFlow+算法模型
手写数字识别系统,使用Python作为主要开发语言,基于深度学习TensorFlow框架,搭建卷积神经网络算法。并通过对数据集进行训练,最后得到一个识别精度较高的模型。并基于Flask框架,开发网页端操作平台,实现用户上传一张图片识别其名称。
49 0
【手写数字识别】Python+深度学习+机器学习+人工智能+TensorFlow+算法模型
|
14天前
|
机器学习/深度学习 人工智能 算法
基于深度学习的【蔬菜识别】系统实现~Python+人工智能+TensorFlow+算法模型
蔬菜识别系统,本系统使用Python作为主要编程语言,通过收集了8种常见的蔬菜图像数据集('土豆', '大白菜', '大葱', '莲藕', '菠菜', '西红柿', '韭菜', '黄瓜'),然后基于TensorFlow搭建卷积神经网络算法模型,通过多轮迭代训练最后得到一个识别精度较高的模型文件。在使用Django开发web网页端操作界面,实现用户上传一张蔬菜图片识别其名称。
56 0
基于深度学习的【蔬菜识别】系统实现~Python+人工智能+TensorFlow+算法模型
|
19天前
|
机器学习/深度学习 数据采集 数据库
使用Python实现智能食品营养分析的深度学习模型
使用Python实现智能食品营养分析的深度学习模型
51 6
下一篇
无影云桌面