pytorch

PyTorch是一个基于Python的科学计算库，它支持GPU加速，是一个开源的深度学习框架。它主要提供了两个高级功能：Tensor计算和深度神经网络。PyTorch广泛应用于各种机器学习任务，如自然语言处理、计算机视觉、自动驾驶等领域。

以下是一个简单的PyTorch代码示例，演示了如何使用PyTorch来创建一个线性回归模型：

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt

# 生成一些数据
x = np.random.rand(100, 1) * 5
y = 2 * x + 1 + np.random.randn(100, 1)

# 将数据转换为PyTorch张量
x_tensor = torch.from_numpy(x).float()
y_tensor = torch.from_numpy(y).float()

# 定义线性回归模型
class LinearRegression(nn.Module):
    def __init__(self, input_size, output_size):
        super(LinearRegression, self).__init__()
        self.linear = nn.Linear(input_size, output_size)

    def forward(self, x):
        out = self.linear(x)
        return out

# 初始化模型参数
input_size = 1
output_size = 1
learning_rate = 0.01
num_epochs = 1000
model = LinearRegression(input_size, output_size)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

# 训练模型
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(x_tensor)
    loss = criterion(outputs, y_tensor)

    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if (epoch+1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# 绘制结果
predicted = model(x_tensor).detach().numpy()
plt.plot(x, y, 'ro', label='Original data')
plt.plot(x, predicted, label='Fitted line')
plt.legend()
plt.show()

这个例子中，我们生成了一些随机数据，并使用PyTorch来创建一个简单的线性回归模型。我们定义了模型、损失函数和优化器，并使用随机梯度下降算法来训练模型。最后，我们使用matplotlib库来绘制结果。