import torch
from torch.nn import Linear, Module, MSELoss
from torch.optim import SGD
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 定义一个线性函数,这里使用y=5x+7
x = np.linspace(0, 20, 500)
y = 5*x + 7
plt.plot(x, y)
# 生成一些随机的点,作为训练数据
x = np.random.rand(256)
noise = np.random.randn(256) / 4
y = x * 5 + 7 + noise
df = pd.DataFrame()
df['x'] = x
df['y'] = y
# 显示下生成数据
sns.lmplot(x='x', y='y', data=df)
plt.show()
# 随机生成了一些点,下面将使用PyTorch建立一个线性的模型来对其进行拟合,这就是所说的训练的过程
# 其中参数(1, 1)代表输入输出的特征(feature)数量都是1. Linear 模型的表达式是y=wx+b,其中w代表权重,b代表偏置
model = Linear(1, 1)
# 损失函数我们使用均方损失函数:MSELoss
criterion = MSELoss()
# 优化器选择最常见的优化方法SGD,就是每一次迭代计算 mini-batch 的梯度,然后对参数进行更新,学习率 0.01
optim = SGD(model.parameters(), lr=0.01)
# 训练3000次
epochs = 3000
Pytorch 03 线性回归实例
最新推荐文章于 2022-11-25 17:08:20 发布
本文通过Pytorch展示了线性回归的实现,包括数据生成、模型训练和预测,详细介绍了训练过程中的权重和偏置更新。
摘要由CSDN通过智能技术生成