pytorch|深度学习——Pytorch反向传播学习实例（B站刘二大人P4作业）神经网络|人工智能|深度学习

作业内容：

练习 1

【pytorch|深度学习——Pytorch反向传播学习实例（B站刘二大人P4作业）】如图所示函数模型，数据集：x_list[ ] = [1,2,3]，y_list[ ] = [2,4,6]
（1）画出计算图；
（2）利用PyTorch实现代码。

文章图片

答：(1):

文章图片

(2):代码如下

import torchx_data = https://www.it610.com/article/[1.0, 2.0, 3.0] y_data = [2.0, 4.0, 6.0]# torch.Tensor()生成新的张量 w1 = torch.Tensor([1.0]) w1.requires_grad = Truew2 = torch.Tensor([1.0]) w2.requires_grad = Trueb = torch.Tensor([1.0]) # 是否需要计算梯度？——True b.requires_grad = Truedef forward(x): return w1 * x ** 2 + w2 * x + bdef loss(x, y): y_pred = forward(x) return (y_pred - y) ** 2# .item()的作用主要是把数据从tensor取出来，变成python的数据类型 print("训练前的预测是", 4, forward(4).item()) for epoch in range(100): for x, y in zip(x_data, y_data): l = loss(x, y) # 利用PyTorch的反向传播函数求梯度 l.backward() print('\tgrad:', x, y, w1.grad.item(), w2.grad.item(), b.grad.item()) # 这里是数值计算，w一定要取data值，tensor做加法运算会构建运算图，消耗内存 w1.data = https://www.it610.com/article/w1.data - 0.01 * w1.grad.data w1.grad.data.zero_()w2.data=w2.data-0.01*w2.grad.data w2.grad.data.zero_()b.data=b.data-0.01*b.grad.data # 每次反向传播的数据要清零 b.grad.data.zero_() print("progress:", epoch, l.item()) print("训练之后的预测值是", 4, forward(4).item())

运行结果如下：