PyTorch深度学习实践之用PyTorch实现线性回归

最新推荐文章于 2022-10-15 20:39:14 发布

Yory__

最新推荐文章于 2022-10-15 20:39:14 发布

阅读量275

点赞数

文章标签：深度学习 pytorch 线性回归

本文链接：https://blog.csdn.net/qq_62127680/article/details/126976526

版权

课程地址：05.用PyTorch实现线性回归_哔哩哔哩_bilibili

理论

编辑 1.准备数据（使用mini-batch目的是为了一次性求出y_hat）

理论

1.准备数据（使用mini-batch目的是为了一次性求出y_hat）

2.定义模型

构造函数的模板→扩展模型完成PyTorch中各式各样的任务

3.构造损失函数和优化器

4.训练过程

课程代码总结

代码：

import torch

x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[2.0], [4.0], [6.0]])

# 定义线性模型
class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__()   # 在python3的版本可以直接写成super().__init__()
        self.linear = torch.nn.Linear(1, 1)

    def forward(self, x):
        y_pred = self.linear(x)  # 对象后面加括号实现一个可调用的对象
        return y_pred

model = LinearModel()
    #  MSELoss继承自Module
criterion = torch.nn.MSELoss(size_average=False)
# parameters会检查module中所有成员 如果成员中有相应的权重将加到最后训练的权重之中
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    #  loss是标量 打印时自动使用__str__()函数
    print(epoch, loss.item())
    # 将所有梯度都归零
    optimizer.zero_grad()
    loss.backward()
    # step函数进行一次更新
    optimizer.step()

    print('w = ', model.linear.weight.item())  # 此处item()将矩阵转成数值
    print('b = ', model.linear.bias.item())

    x_test = torch.Tensor([[4.0]])
    y_test = model(x_test)
    print('y_pred = ', y_test.data)