撰寫第一個訓練迴圈

使用 PyTorch 的深度學習入門

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

訓練神經網路

建立模型
選擇損失函式
定義資料集
設定最佳化器
執行訓練迴圈：
- 計算損失（前向傳播）
- 計算梯度（反向傳播）
- 更新模型參數

認識 Data Science Salary 資料集

 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

特徵：類別型，目標：薪資（USD）
最終輸出：線性層
損失：回歸用

均方誤差（MSE）損失

MSE 是預測與真值之差的平方，取其平均

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)

進入訓練迴圈前

# 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)

訓練迴圈

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()

一起來練習吧！

使用 PyTorch 的深度學習入門