一、python入门
1.熟悉基础数据结构——整型数据，浮点型数据，列表，字典，字符串；了解列表及字典的切片，插入，删除操作。
list1 = [1, 2, 3, 4, 5]
for each in list1:
print(each)
print(list1[1:4]) #左闭右开
print(list1[0:4])
print(list1[2:-1])
print(list1[2:])
print(list1[:]) #列表的切片list1 = [1, 2, 3, 4, 5, 6]
print(list1)
list1.remove(4) #列表的删除操作
print(list1)
del list1[3]
print(list1)
list1.append(7) #列表的插入
print(list1)2.了解python中类的定义与操作，下面是一个简单的例子
class person():
def __init__(self, name, age):
self.name = name
self.age = age
def print_name(self):
print(self.name)
def print_age(self):
print(self.age)
创造一个superman类对person进行继承：
class superman(person):
def __init__(self, name, age):
super(superman, self).__init__(name, age)
#这行代码调用了父类 person 的 __init__ 方法，并传递了 name 和 age 参数。
self.fly_ = True
self.name = name
self.age = age
def print_name(self):
print(self.name)
def print_age(self):
print(self.age)
def fly(self):
if self.fly_ == True:
print("飞起来！")3.了解矩阵与张量的基本操作
#矩阵操作
list1 = [1, 2, 3, 4, 5]
print(list1)
array = np.array(list1) #把list1转化为矩阵
print(array)
#矩阵的操作
array2 = np.array(list1)
print(array2)
array3 = np.concatenate((array, array2), axis=1)#横向合并列表为矩阵
print(array3)
#矩阵切片
array = np.array(list1)
print(list1[1:3])
print(array[:, 1:3])#保留1 2列
#跳着切
idx = [1,3]
print(array[:, idx])#保留1 3列
#张量操作
list1 = \
[
[1, 2, 3, 4, 5],
[6, 7, 8, 9, 10],
[11, 12, 13, 14, 15]
]
tensor1 = torch.tensor(list1)#将list1转化为张量
print(tensor1)
x = torch.tensor(3.0)
x.requires_grad_(True)#指示PyTorch需要计算x的梯度
y = x**2
y.backward()#反向传播计算梯度二：简单的线性表示代码
根据处理数据，定义模型，定义损失函数，优化参数的步骤，首先生成一批数据：
import torch
import matplotlib.pyplot as plt
def create_data(w, b, data_num):
x = torch.normal(0, 1, (data_num, len(w))) #生成一个形状为 (data_num, len(w)) 的张量 x，其中 data_num 是数据点的数量，len(w) 是权重向量 w 的长度（即输入特征的数量），张量x 的每个元素都是服从标准正态分布的随机采样值
y = torch.matmul(x, w) + b #matmul表示矩阵相乘
noise = torch.normal(0, 0.01, y.shape)# 生成一个与 y 形状相同的噪声张量 noise，其中每个元素都是从均值为0，标准差为0.01的正态分布中随机采样得到的。
y += noise
return x, y
num = 500#数据行数为500
true_w = torch.tensor([8.1,2,2,4])
true_b = torch.tensor(1.1)
X, Y = create_data(true_w, true_b, num)#得到用于训练的数据集X，Y，X为500*4的数据，Y为500*1的数据
plt.scatter(X[:, 1], Y, 1)#利用scatter绘制散点图
plt.show()通过以上操作我们就得到了用于训练的X，Y以及w和b的真实值。按步长为batchsize访问数据
def data_provider(data, label, batchsize): #每次访问这个函数，就提供一批数据
length = len(label)
indices = list(range(length))
random.shuffle(indices)
for each in range(0, length, batchsize):#成批访问数据
get_indices = indices[each: each+batchsize]
get_data = data[get_indices]
get_label = label[get_indices]
yield get_data, get_label定义loss函数为。
def fun(x, w, b):#得到y的预测值
pred_y = torch.matmul(x, w) + b
return pred_y
def maeLoss(pre_y, y):#定义loss函数
return torch.sum(abs(pre_y-y))/len(y)
使用随机梯度下降（SGD）方法更新参数，
def sgd(paras, lr): #随机梯度下降，更新参数
with torch.no_grad(): #在更新参数时，我们不需要计算梯度。
for para in paras:
para -= para.grad * lr
para.grad.zero_() #更新完参数后，它将每个参数的梯度清零（.zero_() 方法），以便在下一次参数更新前不会累积之前的梯度。确定学习率lr与初始参数w_0，b_0，注意w_0与b_0的维度。
lr = 0.03
w_0 = torch.normal(0, 0.01, true_w.shape, requires_grad=True) #这个w需要计算梯度
b_0 = torch.tensor(0.01, requires_grad=True)定义训练轮次与训练函数
epochs = 50
for epoch in range(epochs):
data_loss = 0
for batch_x, batch_y in data_provider(X, Y, batchsize):
pred_y = fun(batch_x, w_0, b_0)#前向传播
loss = maeLoss(pred_y, batch_y)#计算损失
loss.backward()#反向传播
sgd([w_0, b_0], lr)#更新参数
data_loss += loss
print("epoch %03d: loss: %.6f"%(epoch, data_loss))最后数据可视化
print("真实的函数值是", true_w, true_b)
print("训练得到的参数值是", w_0, b_0)
idx = 0#某一列X数据
plt.plot(X[:, idx].detach().numpy(), X[:, idx].detach().numpy()*w_0[idx].detach().numpy() + b_0.detach().numpy())
plt.scatter(X[:, idx], Y, 1)
plt.show()完整代码如下：
import torch
import matplotlib.pyplot as plt #画图必备
#产生随机数
import random
def create_data(w, b, data_num): #生成数据
x = torch.normal(0, 1, (data_num, len(w)))
y = torch.matmul(x, w) + b #matmul表示矩阵相乘
noise = torch.normal(0, 0.01, y.shape)
y += noise
return x, y
num = 500
true_w = torch.tensor([8.1,2,2,4])
true_b = torch.tensor(1.1)
X, Y = create_data(true_w, true_b, num)
plt.scatter(X[:, 1], Y, 1)
plt.show()
def data_provider(data, label, batchsize): #每次访问这个函数，就提供一批数据
length = len(label)
indices = list(range(length))
random.shuffle(indices)
for each in range(0, length, batchsize):
get_indices = indices[each: each+batchsize]
get_data = data[get_indices]
get_label = label[get_indices]
yield get_data, get_label
batchsize = 16
def fun(x, w, b):
pred_y = torch.matmul(x, w) + b
return pred_y
def maeLoss(pre_y, y):
return torch.sum(abs(pre_y-y))/len(y)
def sgd(paras, lr): #随机梯度下降，更新参数
with torch.no_grad(): #属于这句代码的部分，不计算梯度
for para in paras:
para -= para.grad * lr
para.grad.zero_() #使用过的梯度，归0
lr = 0.03
w_0 = torch.normal(0, 0.01, true_w.shape, requires_grad=True) #这个w需要计算梯度
b_0 = torch.tensor(0.01, requires_grad=True)
print(w_0, b_0)
epochs = 50
for epoch in range(epochs):
data_loss = 0
for batch_x, batch_y in data_provider(X, Y, batchsize):
pred_y = fun(batch_x, w_0, b_0)
loss = maeLoss(pred_y, batch_y)
loss.backward()
sgd([w_0, b_0], lr)
data_loss += loss
print("epoch %03d: loss: %.6f"%(epoch, data_loss))
print("真实的函数值是", true_w, true_b)
print("训练得到的参数值是", w_0, b_0)
idx = 0
plt.plot(X[:, idx].detach().numpy(), X[:, idx].detach().numpy()*w_0[idx].detach().numpy() + b_0.detach().numpy())
plt.scatter(X[:, idx], Y, 1)
plt.show()
