python 1.pytorch模型创建 线性回归

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

data = pd.read_csv('C:\\Users\\qjjt\\Desktop\\python\\dataset\\part2\\income1.csv')//记得双杠
data.head()
print(data)//打印
data.info()//查看数据集信息

plt.scatter(data.Education,data.Income)//画分布图
plt.xlabel('Education')
plt.ylabel('Income')

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)
print(data.Education.values.reshape(-1,1))
plt.show()

print(X.shape)


#创建模型，必须从nn.module集成
class EImodle(nn.Module):
     def __init__(self):     #初始化方法
        super(EImodle, self).__init__()  #初始化集成的modle属性。
        # 创建一个linera层，根据输入输出的维度，自动初始化一个w和b，然后加权计算
        #in_features为输入的特征值的长度，此处为1，输出也是
        self.linear = nn.Linear(in_features=1, out_features=1)
     def forward(self, inputs):  #定义方法，如何在计算时应用这些层
        logits = self.linear(inputs) #输入经过linear层得到一个输出
        return logits

model = EImodle() #类实例化

#线性回归的损失函数是均方误差，pytorch有内置，可直接调用
loss_fn = nn.MSELoss()
#优化函数，梯度下降，有内置
opt = torch.optim.SGD(model.parameters(), lr=0.0001) #用随机梯度下降优化模型参数，并且输入学习率


#训练
for epoch in range(5000):
    #同时对x,y进行迭代，保证一一对应
    for x, y in zip(X, Y):
        y_pred = model(x)  #x被modle里的forward调用，最后返回一个logits值赋给y_pred
        loss = loss_fn(y_pred, y)
        opt.zero_grad() #在开始新的循环时清零之前累积的梯度值
        #计算梯度,改变参数
        loss.backward() #损失反向传播
        opt.step()      #优化参数



#查看值
list(model.parameters())  #优化后的参数值
print(list(model.parameters()))
list(model.named_parameters())#这个会告诉当前变量的名字
print(list(model.named_parameters()))
print(model.linear.weight, model.linear.bias)

#绘图验证
plt.scatter(data.Education, data.Income)
plt.xlabel('Education')
plt.ylabel('Income')

plt.plot(X, model(X).detach().numpy(), c='r')
plt.show()

data.Education.values.reshape(-1,1)：data.Education.values是一个有30个变量的数组，这里改变其形态，转变为30个一行一列维度为1的输入。左边的-1位自动计算，数组中有几个数据就多少行，右边的1直接定义了列数只为1。这样更符合输入的定义

 加了torch.from_numpy  后，从array转为pytorch的tensor数据类型

 

 type(torch.FloatTensor)：转化为FloatTensor模式

X.shape:可看见输入为30个长度为1的输入

内置损失函数MSELoss：可看写法举例，然后看要输入什么参数

 

 注意：期间运行时有个报错

 原因是代码写的不规范。这里把forward函数卸载了modle外，等于模型中没有了前向传递这个函数