一、目的
使用pytorch实现线性回归
二、编程
2.1 实现流程
2.2 编程实现
import matplotlib.pyplot as plt
import torch
# 数据集向量化
# x,y是矩阵,3行1列 也就是说总共有3个数据,每个数据只有1个特征
x_data = torch.tensor([[1.0], [2.0], [3.0]])
y_data = torch.tensor([[2.0], [4.0], [6.0]])
# 设计模型计算正向传播
class LinearModel(torch.nn.Module):
# 构造函数
def __init__(self):
super(LinearModel, self).__init__()
# (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 = torch.nn.Linear(1, 1)
def forward(self, x):
# 可调用对象linear,计算y=wx+b
y_pred = self.linear(x)
return y_pred
# 实例化模型
model = LinearModel()
# 构造损失函数
criterion = torch.nn.MSELoss(reduction="sum")
# 构造优化器
optimizer = torch.optim.SGD(model.parameters(), 0.01)
# 开始学习
costs = []
for epoch in range(100):
# 正向传播
y_pred = model(x_data)
# 计算损失
loss = criterion(y_pred, y_data)
costs.append(loss)
print(epoch, loss.item())
optimizer.zero_grad()
# 反向传播
loss.backward()
# 更新参数
optimizer.step()
print("w=", model.linear.weight.item())
print("b=", model.linear.bias.item())
x = torch.tensor([[4.0]])
print("x=4,y=", model(x).item())
plt.plot(costs)
plt.xlabel("epoch")
plt.ylabel("costs")
plt.show()
1 47.6524543762207
2 21.780231475830078
3 10.254509925842285
...
97 0.2612595856189728
98 0.25750502943992615
99 0.25380414724349976
w= 1.6646168231964111
b= 0.7624048590660095
x=4,y= 7.420872211456299
三、参考
pytorch深度学习实践
PyTorch 深度学习实践 第5讲
PyTorch学习(四)–用PyTorch实现线性回归