深度学习（PyTorch）——线性模型

B站up主“刘二大人”视频 笔记

详细过程：
本课程的主要任务是构建一个完整的线性模型：
导入numpy和matplotlib库；
导入数据 x_data 和 y_data;
定义前向传播函数:
forward：输出是预测值y_hat
定义损失函数：
loss：损失函数定义为MSE：均方根误差
创建两个空列表，因为后面绘图的时候要用：
分别是横轴的w_list和纵轴的mse_list
开始计算（我觉得这里没有训练的概念，只是单纯的计算每一个数据对应的预测值，然后让预测值跟真是y值根据MSE求损失）：
外层循环，创建40个横坐标自变量：
用w表示;
在0.0~4.0之间均匀取点，步长0.1；
内层循环：核心计算内容
从数据集中，按数据对儿取出自变量x_val和真实值y_val;
先调用forward函数，计算预测值 w*x(y_hat)
调用loss函数，计算单个数据的损失数值；
累加损失，并记下来（此处要提前初始化一个值为0的变量，后面才能不报错）；
随意打印想要看到的内容，一般是打印x_val、y_val、loss_val；
在外层循环中(也就是每一个数据对儿计算的时候)，都要把计算的结果，放进之前的空列表，用于绘图；
在获得了打印所需的数据列表只有，模式化地打印图像。

程序如下：

import numpy as np
import matplotlib.pyplot as plt
 
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
 
def forward(x):
    return x * w
 
def loss(x, y):
    y_pred = forward(x)
    return (y_pred - y) * (y_pred - y)
 
w_list =[]
mse_list = []
for w in np.arange(0.0, 4.1, 0.1):
    print('w=', w)
    l_sum = 0
    for x_val, y_val in zip(x_data, y_data):
        y_pred_val = forward(x_val)
        loss_val = loss(x_val, y_val)
        l_sum += loss_val
        print('\t', x_val, y_pred_val, loss_val)
    print("MSE=", l_sum/3)
    w_list.append(w)
    mse_list.append(l_sum/3)
 
plt.plot(w_list, mse_list)
plt.ylabel('Loss')
plt.xlabel('w')
plt.show()

运行结果如下：

视频讲解截图：

设计步骤：1、选择合适的数据集；2、选择适合的模型；3、训练；4、推论（测试）

 把训练集分成2部分，一部分为训练集，另一部分为开发集，开发集用于模型的评估；若开发集评估后的模型效果比较好的话，我们便把所有的训练集（训练集+开发集）给模型进行训练。

 在模型的选择中，可以先选择线性模型，若效果不好，则改选其他模型

 模型简化，去除b

 模型w初始化一个随机权重，w=随机值

 

把评估模型称为损失（真实值与预测值之间的误差）

寻找一个最好的权重w，使得损失最低

 

 

 

 

 

 

模型可视化 visdom包

1. 训练过程中，要存盘
2. visdom 可视化