使用 PyTorch 实现线性回归模型
1. 线性回归模型实现
# 导入需要的包
import torch
from torch import nn
import matplotlib.pyplot as plt
# step1 准备数据
# x_data,y_data 分别是一个3行1列的矩阵,即分别有3个数据,每个数据只有1个维度
x_data=torch.Tensor([[1.0],[2.0],[3.0]]) # [3,1]
y_data=torch.Tensor([[2.0],[4.0],[6.0]]) # [3,1]
print(x_data.shape,y_data.shape)
# step2 构造模型
class LinearModel(nn.Module):
#构造函数初始化
def __init__(self):
#调用父类的__init__
super(LinearModel,self).__init__()
#nn.Linear是一个类,包含 weight(w)以及 bias(b) 两个属性
# (1,1)是指输入 x 和输出 y 的特征维度,这里数据集中的 x 和 y 的特征都是1维的
# 该线性层需要学习的参数是 w 和 b,获取w/b的方式分别是linear.weight/linear.bias
self.linear=nn.Linear(1,1)
# 前向传播
def forward(self,x):
#调用linear中的call(),以利用父类forward()计算wx+b
y_pred=self.linear(x)
return y_pred
# 实例化对象
model=LinearModel()
# 定义损失函数
#构造的criterion对象所接受的参数为(y_pred,y)
criterion=nn.MSELoss(size_average=False)
# 定义优化器
optimizer=torch.optim.SGD(model.parameters(),lr=0.01)
# step3 训练模型 (前馈-反馈-更新)
total_epoch=[]
total_loss=[]
for epoch in range(100):
total_epoch.append(epoch+1)
# 计算预测值
y_pred=model(x_data)
# 计算损失
loss=criterion(y_pred,y_data)
total_loss.append(loss.item())
print('epoch: ',epoch+1,'loss: ',loss.item())
# 参数梯度清零
optimizer.zero_grad()
# 反向传播 计算图清除
loss.backward()
# 更新权重
optimizer.step()
# 输出权重参数
print('w=',model.linear.weight.item())
print('b=',model.linear.bias.item())
# step4 测试
y_test=torch.Tensor([[4.0]])
y_hat=model(y_test)
print('y_test=',y_test.item(),'y_hat=',y_hat.item())
print('y_test=',y_test.data,'y_hat=',y_hat.data)
# 绘制损失图
plt.plot(total_epoch,total_loss)
plt.xlabel('epoch')
plt.ylabel('coss')
plt.title('y=wx+b')
plt.show()
总结:
- torch.nn.Linear类
- torch.nn.MSELoss类 :
size_average:是否求均值
reduce:最终是否需要降维(一般不考虑) - torch.optim.SGD类:
params:模型中所有需要训练的参数
lr:自定义学习率
momentum:是否需要冲量
2. 使用不同优化器训练线性回归
- torch.optim.Adagrad
- torch.optim.Adam
- torch.optim.Adamax
- torch.optim.ASGD
- torch.optim.LBFGS
注意:LBFGS优化器与本篇其它的所有优化器不同,需要重复多次计算函数,因此需要传入一个闭包,让他重新计算模型,这个闭包应当清空梯度、计算损失,然后返回损失。
闭包代码如下:
# 应用torch.optim.LBFGS 优化器需要定义闭包函数 包括清空梯度、计算损失,然后返回损失
def closure():
optimizer.zero_grad()
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
loss.backward()
return loss
此时更新函数的代码不再是简化版本:optimizer.step( ),变成如下代码:
#传入闭包closure
optimizer.step(closure)
- torch.optim.RMSprop
- torch.optim.Rprop
- torch.optim.SGD
总结: 除了LBFGS优化器,其他优化器的使用和上面1. 实现线性模型中的代码一样 。
3. 参考
《PyTorch 深度学习实践 第5讲 笔记》: http://biranda.top/page/2/
《PyTorch 深度学习实践 第5讲 视频》: https://www.bilibili.com/video/BV1Y7411d7Ys?p=5&vd_source=435453f6c8cc1940667595c415308e92
《PyTorch 深度学习实践 博客》: https://blog.csdn.net/Learning_AI/article/details/120753908