夯基数学：PyTorch 线性回归实践

AAI机器之心

已于 2024-05-05 11:32:39 修改

阅读量689

点赞数 15

文章标签： pytorch 线性回归人工智能神经网络深度学习 python 面试

于 2024-02-29 11:45:00 首次发布

本文链接：https://blog.csdn.net/AAI666666/article/details/136331344

版权

线性回归是我们中学课本中学的最基础的概念之一，用于建立变量之间线性关系的统计方法；

在简单线性回归中，会建立一个因变量与一个自变量之间的线性关系模型。

我们可以用 PyTorch 来实现一些简单的线性回归实践。

房价预测

数据准备

首先准备一些数据来训练型：使用一个简单的示例数据集，其中包含了房屋面积和对应的房价。

ini
复制代码
import numpy as np

# 生成示例数据
np.random.seed(42)
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)

数据可视化

再来可视化一下数据，可以更直观展示关系：

dart
复制代码
import matplotlib.pyplot as plt

plt.scatter(X, y)
plt.xlabel('House Size')
plt.ylabel('Price')
plt.title('House Price vs. Size')
plt.show()

PyTorch构建模型

使用 PyTorch 来构建线性回归模型。

ini
复制代码
import torch
import torch.nn as nn

# 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_dim, output_dim):
        super(LinearRegression, self).__init__()
        self.linear = nn.Linear(input_dim, output_dim)

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

# 初始化模型
input_dim = 1
output_dim = 1
model = LinearRegression(input_dim, output_dim)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

模型训练

然后用数据来训练模型

ini
复制代码
# 定义训练参数
num_epochs = 100

# 训练模型
for epoch in range(num_epochs):
    # 向前传播
    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) % 10 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

可视化结果

scss
复制代码
# 可视化训练结果
predicted = model(X_tensor).detach().numpy()
plt.scatter(X, y, label='Original data')
plt.plot(X, predicted, label='Fitted line', color='red')
plt.xlabel('House Size')
plt.ylabel('Price')
plt.title('House Price vs. Size (Prediction)')
plt.legend()
plt.show()

预测测试

最后，我们就可以用训练好的模型来进行预测了：预测新数据：

lua
复制代码
# 预测新数据
new_house_size = 5
predicted_price = model(torch.tensor([[new_house_size]]).float()).item()
print("Predicted price for a house with size {}: ${:.2f}".format(new_house_size, predicted_price))

运行

上 Pycharm：（咸鱼有1元购破解码）

散点图展示了原始数据

拟合线图新增拟合线

OK，上述代码用PyTorch实现的简单线性回归模型，用于预测房屋价格：

根据一组房屋尺寸和对应价格的数据，然后用散点图展示了数据分布。接着构建了一个线性回归模型，并用训练数据对其进行训练，最小化预测值与真实值的误差。

训练完毕后，将模型预测的房价与原始数据一起绘制在图上，直观地观察模型的拟合效果。

最终用训练好的模型对新的房屋尺寸进行预测，得到其对应的价格；

小结

PyTorch 学习中会有很多如线性回归这样的数学算法图，可以很直观的展示训练结果；数学不愧是科学之王冠。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

在这里插入图片描述