pytorch基础5:用pytorch实现线性回归
# 用pytorch中的一些工具去实现线性回归
# 1准备数据集 2设计模型,模型计算预测值3计算损失,进行优化4写训练周期,
#前馈算损失反馈算梯度,用梯度下降更新权重
# 在numpy计算的时候,会自动广播,扩充矩阵
import torch
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[2.0], [4.0], [6.0]])
# 使用minibanch,小数据集,比如现在有三个数据样本
# 线性单元,根据x和y的维度大小确定w和b的大小,但最后得到的loss值需要去求和
class LinearModel(torch.nn.Module):
def __init__(self):
super(LinearModel,self).__init__()
# 必须有的一步
self.linear=torch.nn.Linear(1,1)
# nn代表神经网络,其中包含组件
# pytorch中的一个类,linear包含了权重w和偏置b,构造对象
# 可以去查看linear的官方文档,包含三个参数,input,output,bias=True
# 构造函数,构造的module可以自动构建反向运算
def forward(self,x):
y_pred=self.linear(x)
return y_pred
# class中的调用,*args表示随便传递参数值
# 设计模型,实现了
model=LinearModel()
# 把模型实例化
criterion = torch.nn.MSELoss(size_average= False)
# 使用mseloss,直接调用,两个参数,是否求均值;确定是否降维
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
# 随后进行优化模块,参数:parameters权重,(对哪些tensor进行优化)学习率lr
for epoch in range(100):
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
print(epoch, loss)
optimizer.zero_grad()
# 注意梯度归零
loss.backward()
optimizer.step()
# Output weight and bias
print( 'w = ', model.linear.weight.item())
print( 'b = ', model.linear.bias.item())
# Test Model
x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print( 'y_pred = ', y_test.data)
训练100次结果:
w = 1.7443238496780396
b = 0.5812119245529175
y_pred = tensor([[7.5585]])
训练100次结果:
w = 1.9996058940887451
b = 0.0008957920945249498
y_pred = tensor([[7.9993]])