pytorch实现线性回归

pytorch实现线性回归

本人为新入门cv坑小白，目前正在学习pytorch，尝试用pytorch实现一些网络结构。今天学习的一个简单的线性回归的实现。
以下代码来自：https://github.com/yunjey/pytorch-tutorial/blob/master/tutorials/01-basics/linear_regression/main.py

第一步、加载需要的库

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

第二步、设定超参数

input_size = 1
output_size = 1
num_epochs = 60
learning_rate = 0.01

第三步、制作数据集

x_train = np.array([[3.3], [4.4], [5.5], [6.71], [6.93], [4.168], 
                    [9.779], [6.182], [7.59], [2.167], [7.042], 
                    [10.791], [5.313], [7.997], [3.1]], dtype=np.float32)
y_train = np.array([[1.7], [2.76], [2.09], [3.19], [1.694], [1.573], 
                    [3.366], [2.596], [2.53], [1.221], [2.827], 
                    [3.465], [1.65], [2.904], [1.3]], dtype=np.float32)

第四步、创建线性回归模型

model = nn.Linear(input_size, output_size)

第五步、选择损失函数和优化器

criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr = learning_rate)

第六步、训练模型

for epoch in range(num_epochs):
    # 将numpy数组转换为torch向量
    inputs = torch.from_numpy(x_train)
    targets = torch.from_numpy(y_train)
  
    # 前向传播
    outputs = model(inputs)
    loss = criterion(outputs, targets)
    
    #　反向传播和优化
    optimizer.zero_grad() # 梯度置0
    loss.backward()
    optimizer.step()
    
    if (epoch+1) % 5 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

第七步、可视化

predicted = model(torch.from_numpy(x_train)).detach().numpy()
plt.plot(x_train, y_train, "ro", label="Original data")
plt.plot(x_train, predicted, label="Fitted line")
plt.legend()
plt.show()

第八步、保存模型参数

torch.save(model.state_dict(),"model.ckpt")

今天是第一天学习pytorch，也是第一次将所学习的内容分享到网上，感觉还是蒙蒙的。希望广大网友多多指教，本人定当虚心学习。