【pytorch】通过Pytorch实现线性回归

    首先了解几个pytorch模块：

• torch,utils.data：提供有关数据处理的工具
• torch.nn：定义大量的神经网络的层
• torch.nn.init：定义各种初始化方法
• torch.optim：提供各种优化算法

下面是具体程序：

• 导入必要的包

import torch
import numpy as np

• 建立数据集

num_inputs=2
num_examples=1000
true_w=[2,-3.4]
true_b=4.2
features=torch.tensor(np.random.normal(0,1,(num_examples,num_inputs)),dtype=torch.float32)
lables=true_w[0] * features[:,0] + true_w[1]*features[:,1] +true_b
lables += torch.tensor(np.random.normal(0,0.01,size=lables.size()),dtype=torch.float32)

• 读取数据

import torch.utils.data as Data

batch_size=10
dataset =Data.TensorDataset(features,lables)

data_iter=Data.DataLoader(dataset,batch_size,shuffle=True)

for X,y in data_iter:
    print(X,'\n',y)
    break

• 定义模型

from torch import nn

class LinearNet(nn.Module):
    def __init__(self,n_feature):
        super(LinearNet,self).__init__()
        self.linear=nn.Linear(n_feature,1)

    # 前向传播
    def forward(self,x):
        y=self.linear(x)
        return y
    
net=LinearNet(num_inputs)
print(net)

net=nn.Sequential(
    nn.Linear(num_inputs,1)
)
for param in net.parameters():
    print(param)

• 初始化模型参数

from torch.nn import init

init.normal_(net[0].weight,mean=0,std=0.01)
init.constant_(net[0].bias,val=0)

• 定义损失函数

loss=nn.MSELoss()

• 定义优化算法

import torch.optim as optim

optimizer=optim.SGD(net.parameters(),lr=0.03)
print(optimizer)

• 训练模型

num_epochs=3
for epoch in range(1,num_epochs+1):
    for X,y in data_iter:
        output=net(X)
        l=loss(output,y.view(-1,1))
        optimizer.zero_grad()
        l.backward()
        optimizer.step()

    print('epoch %d, loss :%f' % (epoch,l.item()))

• 对比设置的参数和学习到的数据

dense=net[0]
print(true_w,dense.weight)
print(true_b,dense.bias)