Pytorch实现线性回归

最新推荐文章于 2023-01-16 23:06:51 发布

菜鸟小_pu

最新推荐文章于 2023-01-16 23:06:51 发布

阅读量967

点赞数 1

分类专栏： Pytorch框架学习文章标签：深度学习 pytorch 线性回归

本文链接：https://blog.csdn.net/qq_43161211/article/details/121565578

版权

Pytorch框架学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

该博客展示了如何使用PyTorch构建并训练一个简单的线性回归模型。首先，通过随机生成数据，然后定义一个包含一个线性层的Lr类。接着，实例化模型、损失函数（MSELoss）和优化器（SGD）。在训练过程中，模型在每个epoch后打印损失。最后，模型被用于预测，并将结果与原始数据一起可视化。

摘要由CSDN通过智能技术生成

生成数据
定义模型
实例化模型，损失函数，和优化器
训练模型与评估

import torch
from torch import nn
from torch import optim
import numpy as np
from matplotlib import pyplot as plt
import time

# 1. 定义数据
x = torch.rand([50,1])
y = x*3 + 0.8

#2 .定义模型
class Lr(nn.Module):
    def __init__(self):
        super(Lr,self).__init__()
        self.linear = nn.Linear(1,1)

    def forward(self, x):
        out = self.linear(x)
        return out

# 3. 实例化模型，loss，和优化器
epoch = 3500 # 迭代次数
lr=0.001 # 学习率
if torch.cuda.is_available():
    model = Lr().cuda()
else:
    model = Lr()
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(),lr=lr)

#4. 训练模型
for i in range(epoch):
    device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
    x,y = x.to(device),y.to(device)
    out = model(x)
    loss = criterion(y,out)

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    if (i+1) % 20 == 0:
        print('Epoch[{}/{}], loss: {:.6f}'.format(i,epoch,loss.data))

#5. 模型评估
model.eval() #
predict = model(x)
predict = predict.cpu().detach().numpy() #转化为numpy数组
plt.scatter(x.cpu().data.numpy(),y.cpu().data.numpy(),c="r")
plt.plot(x.cpu().data.numpy(),predict,)
plt.show()