NumPy热身

原文：https://pytorch.org/tutorials/beginner/examples_tensor/polynomial_numpy.html#sphx-glr-beginner-examples-tensor-polynomial-numpy-py

校对：DrDavidS

这里我们准备一个三阶多项式，通过最小化平方欧几里得距离来训练，并预测函数 y = sin(x) 在-pi到pi上的值。

在本实现中，我们使用 numpy 手动实现前向传播，损失(loss)和反向传播。

numpy 数组是一种通用的 n 维数组；它跟深度学习，梯度或计算图没啥关系，只是执行通用数值计算的一种方法。

  1. import numpy as np
  2. import math
  4. # Create random input and output data
  5. x = np.linspace(-math.pi, math.pi, 2000)
  6. y = np.sin(x)
  8. # Randomly initialize weights
  9. a = np.random.randn()
  10. b = np.random.randn()
  11. c = np.random.randn()
  12. d = np.random.randn()
  14. learning_rate = 1e-6
  15. for t in range(2000):
  16.     # Forward pass: compute predicted y
  17.     # y = a + b x + c x^2 + d x^3
  18.     y_pred = a + b * x + c * x ** 2 + d * x ** 3
  20.     # Compute and print loss
  21.     loss = np.square(y_pred - y).sum()
  22.     if t % 100 == 99:
  23.         print(t, loss)
  25.     # Backprop to compute gradients of a, b, c, d with respect to loss
  26.     grad_y_pred = 2.0 * (y_pred - y)
  27.     grad_a = grad_y_pred.sum()
  28.     grad_b = (grad_y_pred * x).sum()
  29.     grad_c = (grad_y_pred * x ** 2).sum()
  30.     grad_d = (grad_y_pred * x ** 3).sum()
  32.     # Update weights
  33.     a -= learning_rate * grad_a
  34.     b -= learning_rate * grad_b
  35.     c -= learning_rate * grad_c
  36.     d -= learning_rate * grad_d
  38. print(f'Result: y = {a} + {b} x + {c} x^2 + {d} x^3')

脚本的总运行时间：（0 分钟 0.000 秒）

下载 Python 源码：polynomial_numpy.py

下载 Jupyter 笔记本：polynomial_numpy.ipynb