【Pytorch深度学习实践】B站up刘二大人之LinearModel -代码理解与实现

开篇讲两句：

刘二大人的课程我是从前天(4月5日)开始看的，今天看完了advanced cnn这部分，我做的也是图像，所以开始撸代码了，这次一定要理解清楚；

对于刘老师的课程，我想说的是，他讲的非常透彻，不过门槛并不低，我有之前一段时间的pytorch跑通过几个github项目的基础和一些基本环境配置等基础，才能跟得上；

另一方面，刘老师不仅自己理解很彻底，讲起来也很流利，同时还解开了我一直以来困扰的好几个问题，比如resnet是怎么把梯度消失问题解决的，刘老师两页PPT完全给我讲明白了，非常感谢！

完整代码：

#!usr/bin/env python
# -*- coding:utf-8 _*-
"""
@author: 24_nemo
@file: myHandType01.py
@time: 2022/04/07
@desc:
"""

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


# loss function 是 均方根误差 loss = （y_hat - y) ** 2
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, 4.0, 0.1):
    print('w=', w)
    l_sum = 0
    for x_val, y_val in zip(x_data, y_data):  # A zip object yielding tuples until an input is exhausted;
        y_pred_val = forward(x_val)
        loss_val = loss(x_val, y_val)  # 传入的是x_val，但是经过loss中的forward计算后，已经是y_hat(估计值)了;
        l_sum += loss_val
        print('\t', x_val, y_val, y_pred_val, loss_val)
    print('MSE=', l_sum / len(x_data))  # 求一下 损失的均值
    w_list.append(w)
    mse_list.append(l_sum / len(x_data))

plt.plot(w_list, mse_list)
plt.ylabel('Loss')
plt.xlabel('w')
plt.show()

运行结果：

默写出的错误：

#!usr/bin/env python
# -*- coding:utf-8 _*-
"""
@author: 24_nemo
@file: myHandType01.py
@time: 2022/04/07
@desc:
"""

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_hat = forward(x)
    return (y_hat - y) ** 2


w_list = []
loss_list = []

for w in np.arange(0.0, 4.0, 0.1):
    loss_sum = 0
    loss_avg = 0
    for x_val, y_val in zip(x_data, y_data):
        loss_val = loss(x_val, y_val)
        loss_sum += loss_val
        loss_avg = loss_sum / len(x_data)
    w_list.append(w)
    loss_list.append(loss_avg)

plt.plot(w_list, loss_list)
plt.xlabel('w')
plt.ylabel('MSE')
plt.show()

• loss_sum 那里，总是过不去，原因：没有提前设定一个初始值，设置为0后，问题解决。
  

  
  

• 补充上一条：什么时候需要提前定义一个初始值？
  • 答：在需要用运算符计算得到该结果的时候，需要提前定义初始0值。
    

    
    

  • 对比：loss_val 行，采用 函数loss计算，而不是运算符运算，所以不用提前定义 loss_val 的值；
  • 而 loss_sum 和 loss_avg 是加法和除法计算得来，需要提前定义。