PyTorch的4分钟教程，手把手教你完成线性回归

发布时间：2019-07-29 04:10:42 所属栏目：建站来源：大数据文摘

导读：副标题#e# 大数据文摘出品编译：洪颖菲、宁静 PyTorch深度学习框架库之一，是来自Facebook的开源深度学习平台，提供研究原型到生产部署的无缝衔接。本文旨在介绍PyTorch基础部分，帮助新手在4分钟内实现python PyTorch代码的初步编写。下文出现的所有功

以下是PyTorch变量用法的简单示例，将v1和v2相乘的结果赋值给v3，其中里面的参数requires_grad的属性默认为False,若一个节点requires_grad被设置为True，那么所有依赖它的节点的requires_grad都为True，主要用于梯度的计算。

#Variable(part of autograd package) 
#Variable (graph nodes) are thin wrappers around tensors and have dependency knowle 
#Variable enable backpropagation of gradients and automatic differentiations 
#Variable are set a 'volatile' flad during infrencing 
 
 
from torch.autograd import Variable 
v1 = Variable(torch.tensor([1.,2.,3.]), requires_grad=False) 
v2 = Variable(torch.tensor([4.,5.,6.]), requires_grad=True) 
v3 = v1*v2 
 
 
v3.data.numpy()

运行结果：

PyTorch的4分钟教程，手把手教你完成线性回归

#Variables remember what created them 
v3.grad_fn

运行结果：

PyTorch的4分钟教程，手把手教你完成线性回归

Back Propagation

反向传播算法用于计算相对于输入权重和偏差的损失梯度，以在下一次优化迭代中更新权重并最终减少损失，PyTorch在分层定义对于变量的反向方法以执行反向传播方面非常智能。

以下是一个简单的反向传播计算方法，以sin(x)为例计算差分：

#Backpropagation with example of sin(x) 
x=Variable(torch.Tensor(np.array([0.,1.,1.5,2.])*np.pi),requires_grad=True) 
y=torch.sin(x) 
x.grad 
y.backward(torch.Tensor([1.,1.,1.,1])) 
 
 
#Check gradient is indeed cox(x) 
if( (x.grad.data.int().numpy()==torch.cos(x).data.int().numpy()).all() ): 
    print ("d(sin(x)/dx=cos(x))")

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!

2/5

首页

尾页