本人根据b站上刘老师的视频，简单做了一下，内容主要包括课上所讲内容的复现以及所留作业的实现。具体代码解释我都按照自己的理解放在代码后面了，如有不对的地方请多多包涵，毕竟俺也是第一次学，只是想找个地方把学到的东西找个地方存起来~ from collections import OrderedDict impor
课程请见 《PyTorch深度学习实践》 # PyTorch import torch from torch import nn from torch.utils import data from torchvision import datasets from torchvision import transforms from torch import optim # For plotting import matplotlib.pyplot as plt import o
1 为什么要引入反向传播算法？ 在之前的学习中，我们仅仅学习了只有一层的神经网络的计算，例如模型函数为，在使用梯度下降算法进行训练的时候，很轻松就可以利用求导公式计算出。 但是在神经网络中不可能仅仅只有一层，神经网络就行我们大脑的神经系统，由很多层攀枝
本节课讲的是反向传播。 课堂代码： #反向传播课上代码 import torch x_data = [1.0, 2.0, 3.0] y_data = [2.0, 4.0, 6.0] w = torch.tensor([1.0]) # w的初值为1.0 w.requires_grad = True # 默认为False，True表示需要计算梯度 def forward(x): return x * w d
刘老师讲的十分细节，易于理解，大家可以去学习，课堂地址，废话不多说，直接上代码。 梯度下降算法课堂代码: # 梯度下降算法 import matplotlib.pyplot as plt x_data = [1.0,2.0,3.0] y_data = [2.0,4.0,6.0] w = 1.0 def forward(x): return x * w #计算损失函数MSE def co
线性模型： 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
视频教程刘二大人的pytorch testpytorch 1、测试pytorch版本2、线性模型3、梯度下降 1、测试pytorch版本 2、线性模型 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
