动手学pytorch（1）线性回归

前言

任务描述:给出一系列在平面的点，找出一条直线去拟合它。
参考来源：https://www.csdn.net/zhaohongfei_358/article/details/121418622，加入了更多的注释，便于理解

代码

工具：jupyter notebook

#导入相关库
import torch 
import matplotlib.pyplot as plt
#as（简称）

#生成测试数据
x=torch.rand(100,1)*10
# 生成一个100行一列的数据；该数据服从[0,10]的uniform分布
x[:3]
#查看最后三行数据

y=3*x+10+torch.randn(100,1)*3#计算其对应的y值；y也是100行1列的
y[97:]
#查看97，98，99行的数据，100行不存在，因为下标从0开始

#绘制成散点图
plt.scatter(x.numpy(),y.numpy())
#x，y为tensor格式，需要转化为numpy格式
plt.show()

#定义网络模型
class LinearRegression(torch.nn.Module):
    def __init__(self):#切记双下划线
        super().__init__()
        #初始化
        
        #定义网络结构
        self.linear =torch.nn.Linear(in_features=1,
                                     out_features=1,
                                    bias=True)
                                    #线性层（输入维度，输出维度，是否偏置）
    def forward(self,x):
        #前向传播过程,x为输入
        predict =self.linear(x)
        return predict

#模型实例化
model=LinearRegression()

#随机梯度下降法(优化算法)

optimizer =torch.optim.SGD(model.parameters(),lr=1e-3)
#SGD（模型参数，超参数（学习率））

#查看模型参数（w，b）
for param in model.parameters():
    print(param)

#定义损失函数
loss_function =torch.nn.MSELoss()

#开始训练模型

for epoch in range(10000):#训练1e4
    
    #调用模型
    predict_y =model(x)
    #注意都是100维（100，1）
    
    #计算损失(真实值和预测值的距离)
    loss=loss_function(predict_y,y)
    
    #反向传播，为更新权重做准备
    loss.backward()
    
    #更新权重
    optimizer.step()
    
    #清空之前的梯度，为下次迭代（第二个一万次）做准备
    optimizer.zero_grad()
    
    

在这里插入for param in model.parameters(): # 因为模型有多个参数，所以model.parameters会返回一个可迭代的对象
    print(param)
#查看训练效果（w，x），预测值和实际值接近代码片

#绘制效果图，加深印象
plt.scatter(x,y)
plt.plot(x,model(x).detach().numpy(),color='red')
#model(x)中带有梯度信息，直接转换会破坏计算图，detach（）消除梯度信息
plt.show()