《人工智能应用开发》课件——第8、9章手写数字识别.pptx

PyTorch框架基础实践;目录;开源的机器学习/深度学习框架

2017年1月，FAIR(FacebookAIResearch)发布了PyTorch0.1

它强调易用性和灵活性，并允许用深度学习领域惯用的Python来表示深度学习模型

PyTorch提供了一个核心数据结构—张量（Tensor）

类似的框架还有TensorFlow、PaddlePaddle、MindSpore等;详见官网：

快速安装：pipinstalltorch

课程代码运行环境：Python3.9.x、PyTorch1.13.0

;目录;创建张量

importtorch

a=torch.tensor(0.1)

b=torch.tensor(0.3,dtype=torch.float64)

result=a+b

print(result)

0.4;ones=torch.ones((3,2))#全1张量

range_tensor=torch.arange(1,11,1)#等差序列张量

print(ones:,ones,\n,range_tensor:,range_tensor)

ones:tensor([[1.,1.],

[1.,1.],

[1.,1.]])

range_tensor:tensor([1,2,3,4,5,6,7,8,9,10]);output=torch.zeros((2,2),dtype=torch.float32)

print(output:{}.format(type(output)))

n_output=output.numpy()

print(n_output:{}.format(type(n_output)))

torch.from_numpy(n_output)#将ndarray转为tensor

output:classtorch.Tensor’

n_output:classnumpy.ndarray;目录;请根据这100个样本数据找出合适的??和??

使得??=????+??

;读取数据

构造一个线性模型

构造优化器

最小化方差（训练）

性能评估

;data=pd.read_csv(line_fit_data.csv).values#将数据读取后存储为ndarray格式

X=torch.tensor(data[:,0],dtype=torch.float32)#样本自变量

y=torch.tensor(data[:,1],dtype=torch.float32)#目标变量;#构造一个线性模型

deflinear_model(X,W,b):

returnW*X+b

#构造损失函数

defloss_fn(y_true,y_pre):

return((y_true-y_pre)**2).mean()

;y_pre=line_model(X,w,b)#前向传播

loss=loss_fn(y,y_pre)#计算损失

loss.backward()#反向传播;y_pre=line_model(X,w,b)#前向传播

loss=loss_fn(y,y_pre)#计算损失

loss.backward()#反向传播

b.data-=learning_rate*b.grad#沿着梯度反方向更新权值

w.data-=learning_rate*w.grad#沿着梯度反方向更新阈值

#注意在权值更新后须清零张量的梯度

w.grad.zero_()

b.grad.zero_();构建一个线性模型;Epoch0Loss=19.8392w=-8.41b=8.99

Epoch1Loss=8.9474w=-7.80b=9.07

Epoch2Loss=8.0281w=-7.34b=8.89

Epoch3Loss=7.3553w=-6.92b=8.69

……

Epoch75Loss=0.0139w=2.09b=4.20

Epoch76Loss=0.0127w=2.11b=4.20

……

Epoch175Loss=0.0000w=2.49b=4.00;构建一个线性