【6】建立线性模型语句分解写法

数据、代码等相关资料来源于b站日月光华老师视频，此博客作为学习记录。

本节是对【1】中模型的分解，更具体说明每行代码进行了什么运算。首先导入包、读入数据和预处理的部分不发生改变，如下：

import torch
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

from torch import nn

# 读入数据
data = pd.read_csv(r'E:\Code\pytorch\第2章\Income1.csv')
# 数据预处理
X = torch.from_numpy(data.Education.values.reshape(-1, 1)).type(torch.FloatTensor)
Y = torch.from_numpy(data.Income.values.reshape(-1, 1)).type(torch.FloatTensor)

初始化线性模型的参数：

# 对于x，需要初始化一个w和b，建立线性模型
# 除之前【1】中的模型外，此处为分解的写法

w = torch.randn(1, requires_grad=True)   # 单变量线性回归，所以形状是1
b = torch.zeros(1,requires_grad=True)    # 偏置设为0，1维

# 规定学习率
learning_rate = 0.0001

训练5000次：

# 训练5000次
for epoch in range(5000):
    for x,y in zip(X, Y):
        y_pred = torch.matmul(w,x) + b    # 矩阵乘法对w和x相乘，加上b
        loss = (y-y_pred).pow(2).mean()   # 均方误差的分解写法，差的平方求均值
        # 以下相当于opt.zero_grad()
        if not w.grad is None:     # 为让w和b的梯度不累计，需要置零
            w.grad.data.zero_()    # zero_表示直接改变w的值，而不是生成新的
        if not b.grad is None:
            b.grad.data.zero_()

        loss.backward()

        # 优化变量的，不需要跟踪梯度.相当于opt.step()
        with torch.no_grad():
            # 沿梯度下降方向计算，就是现有值减梯度值
            # 为预防异常值引起模型剧烈震荡，用学习率约束，而不是全部减掉
            w.data -= w.grad.data*learning_rate
            b.data -= b.grad.data * learning_rate

把更新后的w和b打印出来：

在【1】中，通过一下语句查看权重和偏置大小：

print(model.linear.weight)
print(model.linear.bias)

可见是十分相似的。

# 绘制散点图和回归曲线
plt.scatter(data.Education, data.Income)
plt.xlabel('Education')
plt.ylabel('Income')

plt.plot(X.numpy(), (X*w + b).data.numpy(), c='r')
plt.show()