PyTorch 教程 - 样例代码

在这个页面中，我们将提供一些 PyTorch 的样例代码，帮助您更好地理解和应用 PyTorch 进行机器学习。

样例列表

以下是我们在 PyTorch 教程中的一些样例代码：

线性回归
逻辑回归
神经网络

线性回归

线性回归是最简单的机器学习算法之一，用于预测一个连续值。

import torch
import torch.nn as nn

# 定义模型
class LinearRegression(nn.Module):
    def __init__(self):
        super(LinearRegression, self).__init__()
        self.linear = nn.Linear(1, 1)

    def forward(self, x):
        return self.linear(x)

# 创建模型实例
model = LinearRegression()

# 输入数据
x = torch.tensor([[1], [2], [3], [4], [5]])
y = torch.tensor([[2], [4], [6], [8], [10]])

# 训练模型
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

for epoch in range(100):
    optimizer.zero_grad()
    outputs = model(x)
    loss = criterion(outputs, y)
    loss.backward()
    optimizer.step()

print('模型训练完成')

逻辑回归

逻辑回归用于分类问题，例如二分类。

import torch
import torch.nn as nn

# 定义模型
class LogisticRegression(nn.Module):
    def __init__(self):
        super(LogisticRegression, self).__init__()
        self.linear = nn.Linear(1, 1)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        x = self.linear(x)
        return self.sigmoid(x)

# 创建模型实例
model = LogisticRegression()

# 输入数据
x = torch.tensor([[1], [2], [3], [4], [5]])
y = torch.tensor([[0], [0], [1], [1], [1]])

# 训练模型
criterion = nn.BCELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

for epoch in range(100):
    optimizer.zero_grad()
    outputs = model(x)
    loss = criterion(outputs, y)
    loss.backward()
    optimizer.step()

print('模型训练完成')

神经网络

神经网络可以用于更复杂的任务，例如图像识别。

import torch
import torch.nn as nn
import torch.nn.functional as F

# 定义模型
class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 10)

    def forward(self, x):
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 创建模型实例
model = NeuralNetwork()

# 输入数据
x = torch.randn(1, 784)

# 训练模型
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

for epoch in range(100):
    optimizer.zero_grad()
    outputs = model(x)
    loss = criterion(outputs, torch.tensor([0]))
    loss.backward()
    optimizer.step()

print('模型训练完成')

PyTorch 教程 - 样例代码

样例列表

线性回归

逻辑回归

神经网络

更多资源