Pytorch 03 线性回归实例

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