PyTorch深度学习实践（五）用pytorch实现线性回归

代码如下：

import  torch
import matplotlib.pyplot as plt
x_data = torch.Tensor([[1.0],[2.0],[3.0]])
y_data = torch.Tensor([[2.0],[4.0],[6.0]])

class LinearModel(torch.nn.Module):
    def __init__(self):#构造函数
        super(LinearModel,self).__init__()
        self.linear = torch.nn.Linear(1,1)#构造对象，并说明输入输出的维数，第三个参数默认为true，表示用到b
    def forward(self, x):
        y_pred = self.linear(x)#可调用对象，计算y=wx+b
        return  y_pred

model = LinearModel()#实例化模型

criterion = torch.nn.MSELoss(size_average=False)
#model.parameters()会扫描module中的所有成员，如果成员中有相应权重，那么都会将结果加到要训练的参数集合上
optimizer = torch.optim.Rprop(model.parameters(),lr=0.01)#lr为学习率


epoch_list=[]
loss_list=[]

for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred,y_data)
    print(epoch,loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    epoch_list.append(epoch)
    loss_list.append(loss.item())


print('w=',model.linear.weight.item())
print('b=',model.linear.bias.item())

x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print('y_pred = ', y_test.data)


plt.plot(epoch_list, loss_list)
plt.title('Rprop')
plt.ylabel('Loss')
plt.xlabel('time')
plt.show()

最后实例化的时候要把它们放在循环体里面

不然列表无法获取每一轮的epoch和loss值

比较不同的优化器的性能

SGD     Adagrad      Adam    Adamax      ASGD   RMSprop    Rprop