pytorch实现Linear Regression

pytorch实现线性回归

前言

线性回归是监督学习里面一个非常简单的模型，同时梯度下降也是深度学习中应用最广的优化算法

梯度下降法

实在是一些公式以文本格式打不出来，所以采用截图！！！！

一元线性回归

首先构造初始数据（小编感觉这时候画图更清晰）

import numpy as np
import matplotlib.pyplot as plt



if __name__ == "__main__":

    # 设置数据 x 和 y
    x_train = np.array([[3.3], [4.4], [5.5], [6.71], [6.93], [4.168],
                        [9.779], [6.182], [7.59], [2.167], [7.042],
                        [10.791], [5.313], [7.997], [3.1]], dtype=np.float32)

    y_train = np.array([[1.7], [2.76], [2.09], [3.19], [1.694], [1.573],
                        [3.366], [2.596], [2.53], [1.221], [2.827],
                        [3.465], [1.65], [2.904], [1.3]], dtype=np.float32)

    plt.scatter(x_train,y_train)
    plt.show()

画出没有更新之前的预测模型和真实的模型之间的对比

import torch
from torch.autograd import Variable


import numpy as np
import matplotlib.pyplot as plt

class LinearModel(object):
    def __init__(self,x_train,y_train):
        self.x_train = x_train
        self.y_train = y_train
    def get_loss(self,y_predict,y_train):
        return torch.mean((y_predict - y_train) ** 2 )


    def single(self):
        '''
        单一变量的线性回归
        ：return: None
        '''
        # 将数据从ndarray类型转化为tensor
        x_train = torch.from_numpy(self.x_train)
        y_train = torch.from_numpy(self.y_train)

        # 定义权重w 和 偏置b
        # 权重随机生成
        w = Variable(torch.rand(1), requires_grad=True)

        # 偏置初始化为0
        b = Variable(torch.zeros(1), requires_grad=True)

        # 开始建立线性回归模型
        # y = w * x+b
        x_train = Variable(x_train)
        y_train = Variable(y_train)

        y_predict = x_train*w + b

        # # 绘制图像，看下模型的输出结果
        # plt.scatter(x_train.data.numpy(), y_train.data.numpy(), label="real")
        # plt.scatter(x_train.data.numpy(), y_predict.data.numpy(), label="predict")
        # plt.legend
        # plt.show()

        loss = self.get_loss(y_predict=y_predict,y_train=y_train)

        print(loss)

        # 求导
        loss.backward()

        # 查看w 和b 的梯度
        print(w.grad)
        print(b.grad)

        # 更新一次参数
        w.data = w.data - 1e-2 * w.grad.data
        b.data = b.data - 1e-2 * b.grad.data

        # 绘制图像，看下模型的输出结果
        plt.scatter(x_train.data.numpy(), y_train.data.numpy(), label="real")
        plt.scatter(x_train.data