import torch
import numpy as np
from torch.utils import data
from d2l import torch as d2l
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w,true_b,1000)
#读取数据集 data模块
# def load_array(data_arrays,batch_size,is_train=True):
#
# dataset = data.TensorDataset(*data_arrays)
# return data.DataLoader(dataset,batch_size,shuffle=is_train)
batch_size = 10
# data_iter = load_array((features,labels),batch_size)
data_iter = data.DataLoader(data.TensorDataset(*(features,labels)),batch_size=batch_size,shuffle=True)
# print(next(iter(data_iter))) #使用iter构造成迭代器
from torch import nn
#在Pytorch中,全连接层在Linear类中定义 输入到输出
net = nn.Sequential(nn.Linear(2,1)) #2表示输入形状,1表示输出
# 设置参数
net[0].weight.data.normal_(0,0.01)
net[0].bias.data.fill_(0)
#定义损失函数
loss = nn.MSELoss()
#定义优化算法
trainer = torch.optim.SGD(net.parameters(),lr = 0.03)
#SGD表示随机梯度下降算法
num_epochs = 3
for epoch in range(num_epochs):
for x, y in data_iter:
l = loss(net(x),y) #1.计算损失
trainer.zero_grad()
l.backward() #计算梯度
trainer.step() #通过优化器更新模型参数
l = loss(net(features),labels)
print(f'epoch{epoch+1},loss{1:f}')
w = net[0].weight.data
print('w的估计误差:', true_w - w.reshape(true_w.shape))
b = net[0].bias.data
print('b的估计误差:', true_b - b)
Pytorch API实现线性回归
最新推荐文章于 2024-09-22 18:18:31 发布
这个博客示例展示了如何用PyTorch构建和训练一个简单的线性回归模型。首先,它生成了模拟数据,然后定义了一个全连接网络(Sequential Linear层),并初始化了权重和偏置。接着,选用MSELoss作为损失函数,SGD作为优化器进行模型训练。经过3个epochs的迭代,模型参数接近真实值,从而实现了对给定数据的线性拟合。
摘要由CSDN通过智能技术生成