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()