Pytorch 基础——实现线性回归、逻辑回归和卷积神经网络

最新推荐文章于 2024-07-22 17:32:39 发布

Chris-2021

最新推荐文章于 2024-07-22 17:32:39 发布

阅读量2.9k

点赞数 3

文章标签：卷积神经网络

本文链接：https://blog.csdn.net/m0_37169880/article/details/105148437

版权

线性回归

1 步骤

构建一个类，叫做 LinearRegression
在这个类中定义模型
计算 MSE 均方误差损失函数
定义优化器
反向传播
预测

举个例子，我们有个汽车公司，如果车价格越低低，我们可以卖更多的车。

car_price_np = np.array([3,4,5,6,7,8,9], dtype=np.float32).reshape(-1,1)
car_price_tensor = Variable(torch.from_numpy(car_price_np))

number_of_car_sell_np = np.array([ 7.5, 7, 6.5, 6.0, 5.5, 5.0, 4.5], dtype=np.float32).reshape(-1,1)
number_of_car_sell_tensor = Variable(torch.from_numpy(number_of_car_sell_np))

2 定义线性回归

class LinearRegression(nn.Module):
    def __init__(self, input_size, output_size):
        super(LinearRegression, self).__init__()
        self.linear = nn.Linear(input_size, output_size)

    def forward(self, x):
        return self.linear(x)

3 将网络实例化，定义一些参数

input_dim = 1
output_dim = 1
model = LinearRegression(input_dim, output_dim)
mse = nn.MSELoss()
lr = 0.02
optimizer = torch.optim.SGD(model.parameters(), lr=lr)
loss_list = []
total_iter = 1001

4 拟合数据集

for iteration in range(total_iter):
    optimizer.zero_grad()
    results = model(car_price_tensor)
    loss = mse(results, number_of_car_sell_tensor)
    loss.backward()
    optimizer.step()
    loss_list.append(loss.data)

    if (iteration % 100 == 0):
        print("epoch {}, loss {}".format(iteration, loss.data))

逻辑回归

线性回归对于分类任务表现不好
可以使用逻辑回归进行分类
逻辑回归=线性回归+logistic 函数（softmax）

逻辑回归的步骤，这里使用 MNIST 数据集：

准备数据集
- 使用 Mnist
- 数据需要归一化
- 需要划分训练集和测试集
- DataLoader 将 dataset 和 sampler 合并到一起
建立逻辑回归模型
- 在 pytorch 中，逻辑回归函数是在损失函数中的
创建模型
创建损失函数：交叉熵损失函数，其中有包括 softmax
创建优化器
训练模型
预测

1 加载数据集

train = pd.read_csv("./train.csv", dtype=np.float32)

targets_numpy = train.label.values
features_numpy = train.loc[:, train.columns != "label"].values / 255

features_train, features_test, targets_train, targets_test = train_test_split(
    features_numpy, targets_numpy, test_size = 0.2, random_state = 42
)
featuresTrain = torch.from_numpy(features_train)
targetsTrain = torch.from_numpy(targets_train).type(torch.LongTensor)

featuresTest = torch.from_numpy(features_test)
targetsTest = torch.from_numpy(targets_test).type(torch.LongTensor)

train = torch.utils.data.TensorDataset(featuresTrain, targetsTrain)
test = torch.utils