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。