c语言 拟合三角函数,使用Tensor拟合三角函数

numpy是一个很不错的库，但是在如今需要大量计算的深度学习中则显得力不从心。而pytorch所提供的张量Tensor能够很好的利用GPU的计算单元，在复杂的计算任务中能达到比GPU高几十甚至上千的算力。

对于Tensor，pytorch提供了许多方便的操作使其能进行科学计算。需要注意的是，使用GPU计算时要指定相应的设备。这里将使用tensor将三次多项式拟合为三角函数，话不多说，贴代码：

import torch

import math

dtype = torch.float # 类型必须是浮点数才能进行求导

device = torch.device("cuda:0") # 指定运行设备为GPU

# 为输入输出声明张量

x = torch.linspace(-math.pi, math.pi, 2000, device=device, dtype=dtype)

y = torch.sin(x)

# 初始化权重

a = torch.randn((), device=device, dtype=dtype)

b = torch.randn((), device=device, dtype=dtype)

c = torch.randn((), device=device, dtype=dtype)

d = torch.randn((), device=device, dtype=dtype)

learning_rate = 1e-6

for t in range(2000):

y_pred = a + b * x + c * x ** 2 + d * x ** 3

# 计算和打印loss

loss = (y_pred - y).pow(2).sum().item()

if t % 100 == 100:

print(t, loss)

# 反向传播计算abcd关于loss的梯度

grad_y_pred = 2.0 * (y_pred - y)

grad_a = grad_y_pred.sum()

grad_b = (grad_y_pred * x).sum()

grad_c = (grad_y_pred * x ** 2).sum()

grad_d = (grad_y_pred * x ** 3).sum()

# 梯度下降更新权重

a -= learning_rate * grad_a

b -= learning_rate * grad_b

c -= learning_rate * grad_c

d -= learning_rate * grad_d

print(f'Result: y = {a.item()} + {b.item()} x + {c.item()} x^2 + {d.item()} x^3')

output.png

用这段代码看看是不是使用了GPU：

use_gpu = torch.cuda.is_available()

use_gpu