Hướng Dẫn Tất Tần Tật Về Pytorch Là Gì, Học Pytorch (Phần 1)

import torchfrom torch.autograd import Variablexy = Variable(torch.FloatTensor(<5, 3>), requires_grad=True) # size: 2z = Variable(torch.FloatTensor(<7>), requires_grad=True) # size: 1w12 = Variable(torch.FloatTensor(<0.5, 0.5>), requires_grad=True) # size: 2w3 = Variable(torch.FloatTensor(<0.5>), requires_grad=True) # size: 1w4 = Variable(torch.FloatTensor(<0.5>), requires_grad=True) # size: 1w5 = Variable(torch.FloatTensor(<0.5>), requires_grad=True) # size: 1k = xy*w12o1 = k<0>*k<1>o2 = o1*w4 + z*w3result = o2*w5print("result", result) # 2.6875result.backward()print("w12.grad", w12.grad) # 1.8750, 1.8750print("w3.grad", w3.grad) # 3.5000print("w4.grad", w4.grad) # 1.8750print("w5.grad", w5.grad) # 5.3750Giải ưa thích :

Forward:

o1 = x * w1 * y * w2 = 5 * 0.5 * 3 * 0.5 = 3.75

o2 = o1 * w4 + z * w3 = 3.75 * 0.5 + 7 * 0.5 = 5.375

result = o2 * w5 = 5.375 * 0.5 = 2.6875

Backward:

Cần chú ý công thức đạo hàm của hàm hợp:

f"(u(x)) = f"(u) * u"(x)

result = o2 * w5

Đạo hàm của result theo w5 = (o2 * w5)" = o2 = 5.375

Đạo hàm của result theo o2 = f"(o2) = w5 = 0.5

o2 = o1 * w4 + z * w3

Đạo hàm của result theo w3 = f"(o2) * o2"(w3) = 0.5 * z = 3.5

Đạo hàm của result theo w4 = f"(o2) * o2"(w4) = 0.5 * o1 = 1.875

Đạo hàm của result theo o1 = g"(o1) = f"(o2) * o2"(o1) = 0.5 * w4 = 0.25

o1 = x * w1 * y * w2

Đạo hàm của result theo w1 = g"(o1) * o1"(w1) = 0.25 * x * y * w2 = 1.875

Đạo hàm của result theo w2 = g"(o1) * o1"(w2) = 0.25 * x * w1 * y = 1.875

Linear Regression

Nếu chúng ta chưa có kỹ năng và kiến thức về Linear Regression thì có thể tìm hiểu thêm trên đây.

# As a oto company we collect this data from previous selling# lets define oto pricescar_prices_array = <3,4,5,6,7,8,9>car_price_np = np.array(car_prices_array,dtype=np.float32)car_price_np = car_price_np.reshape(-1,1)car_price_tensor = Variable(torch.from_numpy(car_price_np))# lets define number of car sellnumber_of_car_sell_array = < 7.5, 7, 6.5, 6.0, 5.5, 5.0, 4.5>number_of_car_sell_np = np.array(number_of_car_sell_array,dtype=np.float32)number_of_car_sell_np = number_of_car_sell_np.reshape(-1,1)number_of_car_sell_tensor = Variable(torch.from_numpy(number_of_car_sell_np))# lets visualize our dataimport matplotlib.pyplot as pltplt.scatter(car_prices_array,number_of_car_sell_array)plt.xlabel("Car Price $")plt.ylabel("Number of Car Sell")plt.title("Car Price$ VS Number of Car Sell")plt.show()

Hình bên trên ta sẽ plot tài liệu nhưng mà ta tích lũy được và câu hỏi đặt ra là kiếm tìm con số xe pháo sẽ bán được lúc giá chỉ xe hơi là 100. Để vấn đáp câu hỏi này ta đang bắt buộc sử dụng Linear Regression. Về cơ phiên bản họ đã nạm tạo thành một con đường thẳng fit với tài liệu đã được plot ngơi nghỉ trên với nỗ lực tinh chỉnh mặt đường trực tiếp kia làm thế nào để cho bớt được độ lệch vs data.

Các bước tiến hành Linear Regression

# Linear Regression with Pytorch# librariesimport torch from torch.autograd import Variable import torch.nn as nn import warningswarnings.filterwarnings("ignore")# create classclass LinearRegression(nn.Module): def __init__(self,input_kích thước,output_size): # super function. It inherits from nn.Module & we can access everythink in nn.Module super(LinearRegression,self).__init__() # Linear function. self.linear = nn.Linear(input_dyên,output_dim) def forward(self,x): return self.linear(x) # define modelinput_dyên = 1output_dyên ổn = 1Model = LinearRegression(input_dyên,output_dim) # đầu vào & output size are 1# MSEmse = nn.MSELoss()# Optimization (find parameters that minimize error)learning_rate = 0.02 # how fast we reach best parametersoptimizer = torch.optyên.SGD(model.parameters(),lr = learning_rate)# train modelloss_menu = <>iteration_number = 1001for iteration in range(iteration_number): # optimization optimizer.zero_grad() # Forward lớn get output results = model(car_price_tensor) # Calculate Loss loss = mse(results, number_of_car_sell_tensor) # backward propagation loss.backward() # Updating parameters optimizer.step() # store loss loss_danh sách.append(loss.data) # print loss if(iteration % 50 == 0): print("epoch , loss ".format(iteration, loss.data))plt.plot(range(iteration_number),loss_list)plt.xlabel("Number of Iterations")plt.ylabel("Loss")plt.show()output:

epoch 0, loss 10.2133epoch 50, loss 5.6256epoch 100, loss 3.8014epoch 150, loss 2.5688epoch 200, loss 1.7358epoch 250, loss 1.1730epoch 300, loss 0.7926epoch 350, loss 0.5356epoch 400, loss 0.3619epoch 450, loss 0.2446epoch 500, loss 0.1653epoch 550, loss 0.1117epoch 600, loss 1.00000e-02 * 7.5467epoch 650, loss 1.00000e-02 * 5.0996epoch 700, loss 1.00000e-02 * 3.4460epoch 750, loss 1.00000e-02 * 2.3286epoch 800, loss 1.00000e-02 * 1.5735epoch 850, loss 1.00000e-02 * 1.0633epoch 900, loss 1.00000e-03 * 7.1854epoch 950, loss 1.00000e-03 * 4.8554epoch 1000, loss 1.00000e-03 * 3.2808

# predict our car price predicted = model(car_price_tensor).data.numpy()plt.scatter(car_prices_array,number_of_car_sell_array,label = "original data",color ="red")plt.scatter(car_prices_array,predicted,label = "predicted data",color ="blue")# predict if oto price is 10$, what will be the number of oto sell#predicted_10 = model(torch.from_numpy(np.array(<10>))).data.numpy()#plt.scatter(10,predicted_10.data,label = "oto price 10$",color ="green")plt.legend()plt.xlabel("Car Price $")plt.ylabel("Number of Car Sell")plt.title("Original vs Predicted values")plt.show()

Mình mong muốn cùng với phần 1 này chúng ta đang có tác dụng quen thuộc được với pytorch với hoàn toàn có thể từ bỏ mình code thạo được một trong những chức năng cơ bản. Tại phần 2 chúng ta đang bước vào mày mò bí quyết implement pytorch mang lại một trong những quy mô deep learning.

• Tác dụng của thông Đỏ ( pycnogenol là gì, công dụng của pycnogenol là gì,
• Công bố quyết Định bổ nhiệm lại trưởng phòng px03 là gì, công bố quyết Định bổ nhiệm lại trưởng phòng px03
• Pycharm là gì, 5 lựa chọn ide python tốt nhất dành cho bạn
• Python là gì, tại sao nên chọn python? python là gì