编写第一个训练循环

使用 PyTorch 的深度学习入门

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

训练神经网络

创建模型
选择损失函数
定义数据集
设置优化器
运行训练循环：
- 计算损失（前向传播）
- 计算梯度（反向传播）
- 更新模型参数

介绍 Data Science Salary 数据集

 experience_level  employment_type  remote_ratio  company_size  salary_in_usd  
        0                0               0.5             1            0.036 
        1                0               1.0             2            0.133     
        2                0               0.0             1            0.234  
        1                0               1.0             0            0.076  
        2                0               1.0             1            0.170

特征：类别型；目标：工资（USD）
最终输出：线性层
损失：回归专用

均方误差（MSE）损失

MSE 是预测与真实值差的平方的均值

def mean_squared_loss(prediction, target):
  return np.mean((prediction - target)**2)

在 PyTorch 中：

criterion = nn.MSELoss()
# Prediction and target are float tensors
loss = criterion(prediction, target)

进入训练循环前

# Create the dataset and the dataloader
dataset = TensorDataset(torch.tensor(features).float(),
                        torch.tensor(target).float())


dataloader = DataLoader(dataset, batch_size=4, shuffle=True)


# Create the model
model = nn.Sequential(nn.Linear(4, 2), 
                      nn.Linear(2, 1))


# Create the loss and optimizer
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.001)

训练循环

for epoch in range(num_epochs):

    for data in dataloader:

        # Set the gradients to zero
        optimizer.zero_grad()

        # Get feature and target from the data loader
        feature, target = data

        # Run a forward pass
        pred = model(feature)
        # Compute loss and gradients
        loss = criterion(pred, target)
        loss.backward()

        # Update the parameters
        optimizer.step()

Passons à la pratique !

使用 PyTorch 的深度学习入门