深度学习&PyTorch笔记 （1）线性回归模型

首先引入所需的库

import torch
import torch.nn as nn
from torch.autograd import Variable
import numpy as np
import matplotlib.pyplot as plt

首先建立模型

class LinearRegression(nn.Module):
    def __init__(self):
        super(LinearRegression, self).__init__()  # nn.Module 的初始化函数
        self.linear = nn.Linear(1, 1)  

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


mdoel = LinearRegression()
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)

层结构和损失函数都是继承自 nn.Module的，nn.Linear是线性回归模型。
本文是一维线性回归，即 y=wx+b
forward方法向前传播，调用过程是在nn.Module类中的__call__方法中被调用，所以调用时可以直接用model(x)来向前传播。
损失函数nn.MSELoss()，是均方误差。
使用梯度下降优化优化模型。

num_epochs = 1000
for epoch in range(num_epochs):
    inputs = Variable(x_train)
    target = Variable(y_train)
    out = model(inputs)
    loss = criterion(out, target)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if (epoch + 1) % 20 == 0:
        print('Epoch[{}/{}],loss:{:.6f}'.format(epoch + 1, num_epochs, loss.data[0]))
model.eval()
predict = model(Variable(x_train))
predict = predict.data.numpy()
# a = np.column_stack((x_train, y_train, predict))
# print(a)
plt.plot(x_train.numpy(), y_train.numpy(), 'ro', color='blue', label='Original data')
plt.plot(x_train.numpy(), predict, 'ro', color='red')
plt.show()

接下来开始训练模型，计算损失loss，将梯度清零之后向后传播，并重置参数。每隔一段时间可以查看一下损失是否变小。

    print(str(model.state_dict()['linear.weight']) + "\t" + str(model.state_dict()['linear.bias']))

查看模型中的参数用state_dict()方法。上例中分别是方程y=wx+b 中的w和b。

model.eval()
predict = model(Variable(x_train))
predict = predict.data.numpy()
# a = np.column_stack((x_train, y_train, predict))
# print(a)
plt.plot(x_train.numpy(), y_train.numpy(), 'ro', color='blue', label='Original data')
plt.plot(x_train.numpy(), predict, 'ro', color='red')
plt.show()

当训练完之后可以进入测试模式查看结果，并用matplotlib进行可视化。

更高维度和多项式同理。