用Pytorch实现线性回归模型

chairon

已于 2024-01-16 20:17:04 修改

阅读量1.8k

点赞数 21

分类专栏： PyTorch深度学习实践文章标签： pytorch 线性回归人工智能

于 2024-01-15 21:41:24 首次发布

本文链接：https://blog.csdn.net/chairon/article/details/135589051

版权

本文详细介绍了如何使用PyTorch构建和训练线性模型，包括准备数据、设计模型（继承nn.Module）、构造MSELoss和优化器（如SGD和Adam），以及训练过程中的前向传播、反向传播和参数更新。最终展示了训练结果和不同优化器对损失曲线的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

回顾

前面已经学习过线性模型相关的内容，实现线性模型的过程并没有使用到Pytorch。
这节课主要是利用Pytorch实现线性模型。
学习器训练：

确定模型（函数）
定义损失函数
优化器优化（SGD）

之前用过Pytorch的Tensor进行Forward、Backward计算。
现在利用Pytorch框架来实现。

Pytorch实现

步骤

准备数据集
设计模型（计算预测值y_hat）:从nn.Module模块继承
构造损失函数和优化器：使用PytorchAPI
训练过程：Forward、Backward、update

1. 准备数据

在PyTorch中计算图是通过mini-batch形式进行，所以X、Y都是多维的Tensor。
在这里插入图片描述

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

2. 设计模型

在之前讲解梯度下降算法时，我们需要自己计算出梯度，然后更新权重。
在这里插入图片描述
而使用Pytorch构造模型，重点时在构建计算图和损失函数上。

class LinearModel

通过构造一个 class LinearModel类来实现，所有的模型类都需要继承nn.Module,这是所有神经网络模块的基础类。
class LinearModel这种定义的模型类必须包含两个部分：

init()：构造函数，进行初始化。

    def __init__(self):
        super(LinearModel, self).__init__()#调用父类构造函数，不用管，照着写。
        # torch.nn.Linear(in_featuers, in_featuers)构造Linear类的对象，其实就是实现了一个线性单元
        self.linear = torch.nn.Linear(1, 1)

在这里插入图片描述

forward():进行前馈计算
（backward没有被写，是因为在这种模型类里面会自动实现）

Class nn.Linear 实现了magic method call()：它使类的实例可以像函数一样被调用。通常会调用forward()。

    def forward(self, x):
        y_pred

最低0.47元/天解锁文章