PytorchZerotoAll学习笔记（一）

Pytorch的安装请参考torch的官方文档，传送门：https://pytorch.org/get-started/locally/

Numpy的复习
1. 如果你之前没有学过Numpy的话，建议去看看cs231n的Python-numpy-tutorial：http://cs231n.github.io/python-numpy-tutorial/

先给出完整的代码，接下来是代码的解读　　

#导入numpy库和matplotlib里面的pyplot模块
# tips：python语法 as ：import XXX as YYY 就是给XXX 起个别名叫 YYY
import numpy as np

import matplotlib.pyplot as plt

# []为一个list，生成浮点数

x_data = [1.0, 2.0, 3.0]

y_data = [2.0, 4.0, 6.0]

#前向传播的模型为 y = w * x

# our model for the forward pass

def forward(x):

    return x * w

#损失函数采用平方误差 （y_pred-y）²# Loss function

def loss(x, y):

    y_pred = forward(x)

    return (y_pred - y) * (y_pred - y)

#新建两个空的列表来记录 w、mse 的值 mse为均方误差 mean square error的缩写

w_list = []

mse_list = []

# tips：python小知识点：np.arrange(起始，终止，步长) 生成一个区间的数值，步长就是起始值每次往终点值移动的长度

for w in np.arange(0.0, 4.1, 0.1):

    # 在控制台，输出w的值
    print("w=", w)
    # 定义一个接收损失的变量，并初始化为0

    l_sum = 0
    # tips： python zip函数 返回的值是：输入的两个数组对应位置组合的一个元组（）
    #  a= 【1,2,3】           zip（a，b）其实就是返回 （1,4），（2,5），（3,6）
    #  b= 【4,5,6】

    for x_val, y_val in zip(x_data, y_data):

        #得到一个预测的值
        y_pred_val = forward(x_val)

        # 计算输入值得到的预测值和真实值之间的误差
        l = loss(x_val, y_val)
        # 误差进行求和

        l_sum += l

        print("\t", x_val, y_val, y_pred_val, l)

    print("MSE=", l_sum / 3)
    # 【】.append 向列表中追加值

    w_list.append(w)

    mse_list.append(l_sum / 3)

# 调用画图函数

plt.plot(w_list, mse_list)

# 添加 x，y的标签
plt.ylabel('Loss')

plt.xlabel('w')
# 将结果展示出来

plt.show()

秒客网

PytorchZerotoAll学习笔记（一）

相关文章