通过一个简单的脚本，来学习pytorch的基本应用，比如：前向传播、反向传播、学习率以及预测、模型的基本原理和套路。
得到结果。。。保存模型。。。输入参数。。。预测。。。像不像？。。。像多少？。。。
设计目标：一个包含了两个元素的输入张量，经过一个线性模型的运算后输出预测结果，经过前向传播、反向传播、学习调整后，使预测的结果尽量接近目标结果。
输入张量：in_tensor=[2.0, 9.0]
线性模型：model(k0 * in_tensor[0] + k1 * in_tensor[1])
目标结果：100。
总结来说就是：设计目标：2.0*k0 + 9.0*k1 = 100，通过Pytorch的惯用框架和套路，经过多次学习和迭代优化之后，求出k0和k1的最优值。
基本代码
import torch
import random# 定义常量
TARGET_VALUE = 100
LR = 0.01 # 学习率# 初始化张量和权重
in_tensor = torch.tensor([2.0, 4.0])
k0 = torch.tensor(random.random(), requires_grad=True) # 权重需要计算梯度
k1 = torch.tensor(random.random(), requires_grad=True) # 权重需要计算梯度# 定义模型
def model(in_tensor, k0, k1):return k0 * in_tensor[0] + k1 * in_tensor[1] # 定义了一个简单的线性模型# 定义损失函数
def loss_fn(y_pred, y_true):return (y_pred - y_true) ** 2 # 均方误差（MSE），计算预测值与真实值之间的平方差。# 训练过程
def train(iterations, in_tensor, k0, k1):for i in range(iterations):# 前向传播y_pred = model(in_tensor, k0, k1) # 预测结果loss = loss_fn(y_pred, TARGET_VALUE) # 损失值（可以理解为误差）# 反向传播loss.backward()# 更新权重with torch.no_grad(): # 停止梯度跟踪k0 -= LR * k0.grad # k0减去它的梯度*学习率，完成一次权重的调整k1 -= LR * k1.grad # k1减去它的梯度*学习率，完成一次权重的调整# 清零权重的梯度k0.grad.zero_()k1.grad.zero_()print(f"Iteration {i}: y_pred = {y_pred}, loss = {loss.item()}")# 开始训练
train(10, in_tensor, k0, k1)运行结果：
可以看到，由于模型很简单，收敛很快，经过10次训练，loss已经降到了0.98。
学习率的实验
上面是学习率LR = 0.01得到的训练结果，现改为LR = 0.015：
同样的10次训练，当学习率增加之后，loss已经降到了0.000625，模型的收敛速度加快。
继续加大学习率，改为LR = 0.03：
loss已经降到了2.85e-9，模型的收敛速度更快了。
继续加大，LR = 0.06：
预测值剧烈震荡，模型无法收敛。
知识点：
加大学习率，可以加快模型收敛速度，但是也不能过大，学习率过大的后果：
1. 无法收敛
• 跳过最优解: 学习率过大时，每次参数更新的步长也会很大，这可能导致模型在优化过程中跳过最优解。
• 震荡: 模型参数可能会在最佳值附近来回震荡，无法稳定地达到收敛。
• 梯度爆炸: 在极端情况下，学习率过大可能导致梯度值变得非常大，进而使得参数更新步长过大，甚至导致数值溢出（如NaN）。
2. 训练不稳定
• 损失函数波动: 损失函数的值可能会在每次迭代中剧烈波动，而不是逐渐减小。
• 泛化能力差: 由于模型参数未能稳定收敛，可能导致模型在测试集上的表现不稳定，泛化能力差。
3. 过拟合风险增加
• 在某些情况下，即使模型最终收敛，也可能因为学习率过大而错过最优解，导致过拟合。
再来，将学习率变小，LR = 0.006：
模型也在持续收敛，但是比起LR = 0.01，收敛变慢了。
LR = 0.004：
收敛更慢了。
知识点：
学习率过小的后果：
1. 收敛速度慢
• 训练时间长: 由于每次参数更新的步长很小，模型需要更多的迭代次数才能达到最优解，导致训练时间显著增加。
• 陷入局部最优: 在某些情况下，学习率过小可能导致模型陷入局部最优解，而不是全局最优解。
2. 过拟合风险增加
• 过度训练: 由于训练时间过长，模型可能在训练集上过度拟合，导致在测试集上的表现下降。
3. 梯度消失
• 接近零的梯度: 学习率过小，尤其是在深度神经网络中，可能导致梯度值变得非常小，进而使得参数更新几乎停滞，这种现象称为梯度消失。
早停机制
将局部代码改为：
LR = 0.016
train(100, in_tensor, k0, k1)
在训练了16次之后，loss已经为0。所以，就可以停止训练了。
局部代码修改为：
# 训练过程
def train(iterations, in_tensor, k0, k1):for i in range(iterations):# 前向传播y_pred = model(in_tensor, k0, k1) # 预测结果loss = loss_fn(y_pred, TARGET_VALUE) # 损失值（可以理解为误差）if loss <= 0.00001: # 早停机制print(f"Iteration {i}: y_pred = {y_pred}, loss = {loss.item()}, ki = {k0}, k1 = {k1}")break# 反向传播
。。。。。。。。。。。 当偏差足够小时，停止训练，并输出训练结果。
保存模型和使用模型预测
import torch
import random# 定义常量
TARGET_VALUE = 100
LR = 0.016 # 学习率# 初始化张量和权重
in_tensor = torch.tensor([2.0, 4.0])
pre_tensor = torch.tensor([2.2, 4.0])
k0 = torch.tensor(random.random(), requires_grad=True) # 权重需要计算梯度
k1 = torch.tensor(random.random(), requires_grad=True) # 权重需要计算梯度
model_state = [] # 模型参数# 定义模型
def model(in_tensor, k0, k1):return k0 * in_tensor[0] + k1 * in_tensor[1]# 定义损失函数
def loss_fn(y_pred, y_true):return (y_pred - y_true) ** 2# 训练过程
def train(iterations, in_tensor, k0, k1):for i in range(iterations):# 前向传播y_pred = model(in_tensor, k0, k1)loss = loss_fn(y_pred, TARGET_VALUE)if loss <= 0.00001:print(f"Iteration {i}: y_pred = {y_pred}, loss = {loss.item()}, ki = {k0}, k1 = {k1}")return [k0, k1] # 返回训练后的模型参数break# 反向传播loss.backward()# 更新权重with torch.no_grad(): # 停止梯度跟踪k0 -= LR * k0.gradk1 -= LR * k1.grad# 清零权重的梯度k0.grad.zero_()k1.grad.zero_()# print(f"Iteration {i}: y_pred = {y_pred}, loss = {loss.item()}")# 开始训练
model_state = train(100, in_tensor, k0, k1) # 训练100次# 保存模型
torch.save(model_state, "model_state.pt")# 加载模型
model_state = torch.load("model_state.pt")
print(model_state)# 预测
y_pred = model(pre_tensor, model_state[0], model_state[1])
print(f"y_pred = {y_pred}, loss = {loss_fn(y_pred, TARGET_VALUE)}")
在上面的代码中，我们保存了一个模型，并且用它预测了一个张量[2.2, 4.0]，与我们训练用的数据[2.0, 4.0]相差不多，所以预测结果也相差不多。如果换成不同的数据，那么预测的结果也将会不同。
推而广之，如果把输入的张量换成一个图像的像素阵列，预测结果换为判断类别，模型换为多层的卷积神经网络，再加上一些层间池化、输出激活函数，那么就是pytorch最常见的图像识别套路了。所以，无论模型和应用框架多么复杂，也是由最简单的结构迭加、衍生而成，将一个复杂的任务分解成一个个简单任务，它就不再复杂。
以上为一点点初学者的肤浅心得，与大家交流共勉，望多指教！
