使用pytorch实现一阶线性回归

问题分析

代码实现

#1-2张量简介及创建
import torch

#为随机数生成设定种子,同样的种子能够保证生成的随机数是一定的,便于复现
torch.manual_seed(10)

#设定学习率
lr = 0.1

#创建训练数据,要注意这里训练数据也要是tensor类型数据
x = torch.rand(20,1) * 10  #生成1-10的随机数
y = 2*x + (5+torch.randn(20,1))  #带有高斯噪声的y

#构建线性回归参数,并设置这些参数都需要求梯度
w = torch.randn((1),requires_grad=True)
b = torch.randn((1),requires_grad=True)

#开始优化
for iteration in range(1000):

    #前向传播,就是根据现有参数进行预测
    wx = torch.mul(w,x)
    y_pred = torch.add(wx,b)

    #根据预测结果和真实值计算损失
    loss = (0.5 * (y - y_pred) ** 2).mean()

    #反向传播,这里计算了loss涉及的各项参数的梯度,但没有根据梯度进行更新
    loss.backward()

    #更新参数
    b.data.sub_(lr*b.grad)
    w.data.sub_(lr*w.grad)

    #设置优化结束条件
    if loss.data.numpy() < 0.5:
        print(loss.data.numpy())
        print(w.data.numpy(),b.data.numpy())
        break