刘二大人《Pytorch深度学习与实践》05线性回归

用Pytorch实现线性回归的代码如下、

import torch
import matplotlib.pyplot as plt

# x,y各有三个数据，每一个数据都只有一个特征，形式为3行一列
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[2.0], [4.0], [6.0]])
epoch_list = []
loss_list = []


# 创建模块使用的子类，继承于torch.nn.module这一个大类
class LinearModel(torch.nn.Module):
    def __init__(self):
        # 继承创建的类
        super(LinearModel, self).__init__()
        # (1,1)代表的是输入和输出的特征维度都是一维
        # 该层需要学习的参数是w和b，且方式为linear.weight()和linear.bias()
        self.linear = torch.nn.Linear(1, 1)

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


model = LinearModel()
# 构建评价指标MSE和选择优化器，其中ASGD可以直接改成其它优化器
criterion = torch.nn.MSELoss(reduction='sum')
optimizer = torch.optim.ASGD(model.parameters(), lr=0.01)  # model.parameter 自动完成参数的初始化操作
# 进行训练，前向，反向，更新
for epoch in range(1000):
    # 相当于直接把x_data直接调用创建的LinearModel类，直接完成前向传播
    y_pred = model(x_data)  # 输出预测值
    loss = criterion(y_pred, y_data)  # 结合预测值和真实值，最后输出损失值
    loss_list.append(loss)
    print(epoch, loss.item())
    optimizer.zero_grad()  # 反向传播时，需要将上一次反向传播产生的梯度清楚，否则在进行下一次梯度计算时，会产生两次的梯度值
    loss.backward()  # 反向传播，自动计算梯度
    optimizer.step()  # 更新w，b参数
    epoch_list.append(epoch)
print('w=', model.linear.weight.item())
print('b=', model.linear.bias.item())

# 随机设置一个测试值
x_test = torch.tensor([[4.0]])
y_test = model(x_test)
print('y_pred=', y_test.data)
plt.plot(epoch_list, loss_list)
plt.xlabel('epoch')
plt.ylabel('loss')
plt.grid()
plt.show()