zemo1.py

import torch
import torch.nn as nn
from tqdm import tqdm
import torch.optim as optim

# Bước 1: Chuẩn bị dữ liệu mẫu
# Dữ liệu giả: mỗi dòng là [giờ học, giờ giải trí, giờ ngủ], điểm trung bình
data = [
    [2, 1, 7, 6.0],
    [3, 2, 6, 7.5],
    [1, 3, 8, 5.5],
    [4, 1, 6, 8.0],
    [5, 0, 5, 9.0],
    [6, 0, 6, 9.5]
]

# Tách đặc trưng (features) và mục tiêu (target)
X = torch.tensor([row[:3] for row in data], dtype=torch.float32)  # Giờ học, giờ giải trí, giờ ngủ
y = torch.tensor([[row[3]] for row in data], dtype=torch.float32)  # Điểm trung bình

# Bước 2: Xây dựng mô hình
class StudentGradeModel(nn.Module):
    def __init__(self):
        super(StudentGradeModel, self).__init__()
        self.linear = nn.Linear(3, 1)  # 3 đầu vào, 1 đầu ra

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

model = StudentGradeModel()

# Bước 3: Định nghĩa hàm mất mát và bộ tối ưu
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# Bước 4: Huấn luyện mô hình
for epoch in tqdm(range(10000), desc="Training Epochs"):
    optimizer.zero_grad()  # Xóa gradient cũ
    output = model(X)      # Truyền dữ liệu qua mô hình
    loss = criterion(output, y)  # Tính mất mát
    loss.backward()        # Tính gradient
    optimizer.step()       # Cập nhật trọng số

    # In loss để theo dõi quá trình huấn luyện
    if (epoch + 1) % 1000 == 0:
        tqdm.write(f'Epoch [{epoch + 1}/10000], Loss: {loss.item():.4f}')

# Bước 5: Dự đoán thử với một học sinh mới
model.eval()
with torch.no_grad():
    test_input = torch.tensor([[4, 1, 6]], dtype=torch.float32)  # Ví dụ: 4 giờ học, 1 giờ giải trí, 6 giờ ngủ
    prediction = model(test_input)
    print("Dự đoán điểm trung bình:", prediction.item())