【深度学习】（三）用pytorch实现线性回归

目录

用pytorch实现线性回归

1、实现流程：

1、准备数据集

2、设计使用类的模型

3、构造loss、optimizer

4、循环训练

2、用pytorch实现线性回归模板

3、练习

---

用pytorch实现线性回归

 回顾线性模型

 Linear Model

=x*w

Loss Function

loss==

forward&backward

pytorch中前馈和反馈

 

1、实现流程：

1、准备数据集

2、设计使用类的模型

继承nn.Module

3、构造loss、optimizer

使用pytorchAPI

4、循环训练

forward,backward,updata

2、用pytorch实现线性回归模板

# 继承nn.Module(神经网络模块的基类)不用人工设计backward
class LinearModel(torch.nn.Module):
    # 构造函数
    def __init__(self):
        super(LinearModel, self).__init__()
        # torch.nn.Linear是pytorch里面的一个类，类后面加（）表示构造一个对象
        # torch.nn.Linear构造的对象包含 w  b
        # 参数（in_features,out_features,bias=True默认）
        self.linear=torch.nn.Linear(1,1)

    # 必须这个名字，前馈执行计算函数  # 必须这个名字，前馈执行计算函数
    def forward(self,x):
        # 可调用的对象
        y_pred=self.linear(x)
        return y_pred
model=LinearModel()
# 构造损失函数求均值size_average=True 
criterion=torch.nn.MSELoss(size_average=False)
# 构造优化器 
optimizer=torch.optim.SGD(model.parameters(),lr=0.01)

for epoch in range(100):
    y_pred=model(x_data)
    loss=criterion(y_pred,y_data)
    print(epoch,loss)
    # 清零梯度
    optimizer.zero_grad()
    loss.backward()
    # 更新优化器
    optimizer.step()

#     model.linear.weight.item()是一个数
print('w=',model.linear.weight.item())
print('b=',model.linear.bias.item())

x_test=Tensor([[4.0]])
y_test=model(x_test)
# y_test.data是一个张量
print('y_pred=',y_test.data)

 model.linear.weight.item()是一个数y_test.data是一个张量 这里不明白的看上一章节

3、练习

import torch
x_data=torch.Tensor([[1.0],[2.0],[3.0]])
y_data=torch.Tensor([[2.0],[4.0],[6.0]])
# 继承nn.Module(神经网络模块的基类)不用人工设计backward
class LinearModel(torch.nn.Module):
    # 构造函数
    def __init__(self):
        super(LinearModel, self).__init__()
        # torch.nn.Linear是pytorch里面的一个类，类后面加（）表示构造一个对象
        # torch.nn.Linear构造的对象包含 w  b
        # 参数（in_features,out_features,bias=True默认）
        self.linear=torch.nn.Linear(1,1)

    # 必须这个名字，前馈执行计算函数  # 必须这个名字，前馈执行计算函数
    def forward(self,x):
        # 可调用的对象
        y_pred=self.linear(x)
        return y_pred
model=LinearModel()
# 构造损失函数求均值size_average=True
criterion=torch.nn.MSELoss(size_average=False)
# 构造优化器
optimizer=torch.optim.SGD(model.parameters(),lr=0.01)
for epoch in range(100):
    y_pred=model(x_data)
    loss=criterion(y_pred,y_data)
    print(epoch,loss)
    # 清零梯度
    optimizer.zero_grad()
    loss.backward()
    # 更新优化器
    optimizer.step()
#     model.linear.weight.item()是一个数
print('w=',model.linear.weight.item())
print('b=',model.linear.bias.item())

x_test=Tensor([[4.0]])
y_test=model(x_test)
#     model.linear.weight.item()是一个数y_test.data是一个张量
print('y_pred=',y_test.data)

结果：

 

 结论：loss越来越小 最后一次训练的结果得到w b