pytorch——01线性模型

最新推荐文章于 2024-04-21 16:29:42 发布
最新推荐文章于 2024-04-21 16:29:42 发布
阅读量70 收藏
点赞数
文章标签： 机器学习 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43770178/article/details/132889064
版权

监督学习

训练模型：知道输出值是多少，能根据输出值跟模型值之间的差值进行调整

测试模型：不能看最终数据，用于测量模型的准确度

也可能把训练集分成训练集和开发集

#用来绘图的重要两个包，一个是numpy，一个是matplotlib
import numpy as np
import matplotlib.pyplot as plt
 
#将数据集进行保存
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
 
#定义模型
def forward(x):
    return x*w
 
#定义损失函数 
def loss(x, y):
    y_pred = forward(x)
    return (y_pred - y)**2
 
 
# 穷举法
w_list = []
mse_list = []#给权重和损失值准备两个空列表，进行一个个的测试
for w in np.arange(0.0, 4.1, 0.1):#生成间隔0.1的权重值
    print("w=", w)
    l_sum = 0
    for x_val, y_val in zip(x_data, y_data):
        y_pred_val = forward(x_val)
        loss_val = loss(x_val, y_val)
        l_sum += loss_val
        print('\t', x_val, y_val, y_pred_val, loss_val)
    print('MSE=', l_sum/3)
    w_list.append(w)
    mse_list.append(l_sum/3)#打印添加的时候转变成MSE
#绘图代码    
plt.plot(w_list,mse_list)
plt.ylabel('Loss')
plt.xlabel('w')
plt.show() 
w= 0.0
	 1.0 2.0 0.0 4.0
	 2.0 4.0 0.0 16.0
	 3.0 6.0 0.0 36.0
MSE= 18.666666666666668

w= 0.1
	 1.0 2.0 0.1 3.61
	 2.0 4.0 0.2 14.44
	 3.0 6.0 0.30000000000000004 32.49
MSE= 16.846666666666668

w= 0.2
	 1.0 2.0 0.2 3.24
	 2.0 4.0 0.4 12.96
	 3.0 6.0 0.6000000000000001 29.160000000000004
MSE= 15.120000000000003

w= 0.30000000000000004
	 1.0 2.0 0.30000000000000004 2.8899999999999997
	 2.0 4.0 0.6000000000000001 11.559999999999999
	 3.0 6.0 0.9000000000000001 26.009999999999998
MSE= 13.486666666666665

w= 0.4
	 1.0 2.0 0.4 2.5600000000000005
	 2.0 4.0 0.8 10.240000000000002
	 3.0 6.0 1.2000000000000002 23.04
MSE= 11.946666666666667

w= 0.5
	 1.0 2.0 0.5 2.25
	 2.0 4.0 1.0 9.0
	 3.0 6.0 1.5 20.25
MSE= 10.5

w= 0.6000000000000001
	 1.0 2.0 0.6000000000000001 1.9599999999999997
	 2.0 4.0 1.2000000000000002 7.839999999999999
	 3.0 6.0 1.8000000000000003 17.639999999999993
MSE= 9.146666666666663

w= 0.7000000000000001
	 1.0 2.0 0.7000000000000001 1.6899999999999995
	 2.0 4.0 1.4000000000000001 6.759999999999998
	 3.0 6.0 2.1 15.209999999999999
MSE= 7.886666666666666

w= 0.8
	 1.0 2.0 0.8 1.44
	 2.0 4.0 1.6 5.76
	 3.0 6.0 2.4000000000000004 12.959999999999997
MSE= 6.719999999999999

w= 0.9
	 1.0 2.0 0.9 1.2100000000000002
	 2.0 4.0 1.8 4.840000000000001
	 3.0 6.0 2.7 10.889999999999999
MSE= 5.646666666666666

w= 1.0
	 1.0 2.0 1.0 1.0
	 2.0 4.0 2.0 4.0
	 3.0 6.0 3.0 9.0
MSE= 4.666666666666667

w= 1.1
	 1.0 2.0 1.1 0.8099999999999998
	 2.0 4.0 2.2 3.2399999999999993
	 3.0 6.0 3.3000000000000003 7.289999999999998
MSE= 3.779999999999999

w= 1.2000000000000002
	 1.0 2.0 1.2000000000000002 0.6399999999999997
	 2.0 4.0 2.4000000000000004 2.5599999999999987
	 3.0 6.0 3.6000000000000005 5.759999999999997
MSE= 2.986666666666665

w= 1.3
	 1.0 2.0 1.3 0.48999999999999994
	 2.0 4.0 2.6 1.9599999999999997
	 3.0 6.0 3.9000000000000004 4.409999999999998
MSE= 2.2866666666666657

w= 1.4000000000000001
	 1.0 2.0 1.4000000000000001 0.3599999999999998
	 2.0 4.0 2.8000000000000003 1.4399999999999993
	 3.0 6.0 4.2 3.2399999999999993
MSE= 1.6799999999999995

w= 1.5
	 1.0 2.0 1.5 0.25
	 2.0 4.0 3.0 1.0
	 3.0 6.0 4.5 2.25
MSE= 1.1666666666666667

w= 1.6
	 1.0 2.0 1.6 0.15999999999999992
	 2.0 4.0 3.2 0.6399999999999997
	 3.0 6.0 4.800000000000001 1.4399999999999984
MSE= 0.746666666666666

w= 1.7000000000000002
	 1.0 2.0 1.7000000000000002 0.0899999999999999
	 2.0 4.0 3.4000000000000004 0.3599999999999996
	 3.0 6.0 5.1000000000000005 0.809999999999999
MSE= 0.4199999999999995

w= 1.8
	 1.0 2.0 1.8 0.03999999999999998
	 2.0 4.0 3.6 0.15999999999999992
	 3.0 6.0 5.4 0.3599999999999996
MSE= 0.1866666666666665

w= 1.9000000000000001
	 1.0 2.0 1.9000000000000001 0.009999999999999974
	 2.0 4.0 3.8000000000000003 0.0399999999999999
	 3.0 6.0 5.7 0.0899999999999999
MSE= 0.046666666666666586

w= 2.0
	 1.0 2.0 2.0 0.0
	 2.0 4.0 4.0 0.0
	 3.0 6.0 6.0 0.0
MSE= 0.0

w= 2.1
	 1.0 2.0 2.1 0.010000000000000018
	 2.0 4.0 4.2 0.04000000000000007
	 3.0 6.0 6.300000000000001 0.09000000000000043
MSE= 0.046666666666666835

w= 2.2
	 1.0 2.0 2.2 0.04000000000000007
	 2.0 4.0 4.4 0.16000000000000028
	 3.0 6.0 6.6000000000000005 0.36000000000000065
MSE= 0.18666666666666698

w= 2.3000000000000003
	 1.0 2.0 2.3000000000000003 0.09000000000000016
	 2.0 4.0 4.6000000000000005 0.36000000000000065
	 3.0 6.0 6.9 0.8100000000000006
MSE= 0.42000000000000054

w= 2.4000000000000004
	 1.0 2.0 2.4000000000000004 0.16000000000000028
	 2.0 4.0 4.800000000000001 0.6400000000000011
	 3.0 6.0 7.200000000000001 1.4400000000000026
MSE= 0.7466666666666679

w= 2.5
	 1.0 2.0 2.5 0.25
	 2.0 4.0 5.0 1.0
	 3.0 6.0 7.5 2.25
MSE= 1.1666666666666667

w= 2.6
	 1.0 2.0 2.6 0.3600000000000001
	 2.0 4.0 5.2 1.4400000000000004
	 3.0 6.0 7.800000000000001 3.2400000000000024
MSE= 1.6800000000000008

w= 2.7
	 1.0 2.0 2.7 0.49000000000000027
	 2.0 4.0 5.4 1.960000000000001
	 3.0 6.0 8.100000000000001 4.410000000000006
MSE= 2.2866666666666693

w= 2.8000000000000003
	 1.0 2.0 2.8000000000000003 0.6400000000000005
	 2.0 4.0 5.6000000000000005 2.560000000000002
	 3.0 6.0 8.4 5.760000000000002
MSE= 2.986666666666668

w= 2.9000000000000004
	 1.0 2.0 2.9000000000000004 0.8100000000000006
	 2.0 4.0 5.800000000000001 3.2400000000000024
	 3.0 6.0 8.700000000000001 7.290000000000005
MSE= 3.780000000000003

w= 3.0
	 1.0 2.0 3.0 1.0
	 2.0 4.0 6.0 4.0
	 3.0 6.0 9.0 9.0
MSE= 4.666666666666667

w= 3.1
	 1.0 2.0 3.1 1.2100000000000002
	 2.0 4.0 6.2 4.840000000000001
	 3.0 6.0 9.3 10.890000000000004
MSE= 5.646666666666668

w= 3.2
	 1.0 2.0 3.2 1.4400000000000004
	 2.0 4.0 6.4 5.760000000000002
	 3.0 6.0 9.600000000000001 12.96000000000001
MSE= 6.720000000000003

w= 3.3000000000000003
	 1.0 2.0 3.3000000000000003 1.6900000000000006
	 2.0 4.0 6.6000000000000005 6.7600000000000025
	 3.0 6.0 9.9 15.210000000000003
MSE= 7.886666666666668

w= 3.4000000000000004
	 1.0 2.0 3.4000000000000004 1.960000000000001
	 2.0 4.0 6.800000000000001 7.840000000000004
	 3.0 6.0 10.200000000000001 17.640000000000008
MSE= 9.14666666666667

w= 3.5
	 1.0 2.0 3.5 2.25
	 2.0 4.0 7.0 9.0
	 3.0 6.0 10.5 20.25
MSE= 10.5

w= 3.6
	 1.0 2.0 3.6 2.5600000000000005
	 2.0 4.0 7.2 10.240000000000002
	 3.0 6.0 10.8 23.040000000000006
MSE= 11.94666666666667

w= 3.7
	 1.0 2.0 3.7 2.8900000000000006
	 2.0 4.0 7.4 11.560000000000002
	 3.0 6.0 11.100000000000001 26.010000000000016
MSE= 13.486666666666673

w= 3.8000000000000003
	 1.0 2.0 3.8000000000000003 3.240000000000001
	 2.0 4.0 7.6000000000000005 12.960000000000004
	 3.0 6.0 11.4 29.160000000000004
MSE= 15.120000000000005

w= 3.9000000000000004
	 1.0 2.0 3.9000000000000004 3.610000000000001
	 2.0 4.0 7.800000000000001 14.440000000000005
	 3.0 6.0 11.700000000000001 32.49000000000001
MSE= 16.84666666666667

w= 4.0
	 1.0 2.0 4.0 4.0
	 2.0 4.0 8.0 16.0
	 3.0 6.0 12.0 36.0
MSE= 18.666666666666668

代码说明：1、函数forward()中，有一个变量w。这个变量最终的值是从for循环中传入的。

                  2、for循环中，使用了np.arange。

                 3、python中zip()函数的用法

作业题目：实现线性模型（y=wx+b）并输出loss的3D图像。

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D#3D图绘制所需要的包

#这里设函数为y=3x+2
x_data = [1.0,2.0,3.0]
y_data = [5.0,8.0,11.0]

#定义函数
def forward(x):
    return x * w + b

#定义损失函数
def loss(x,y):
    y_pred = forward(x)
    return (y_pred-y)*(y_pred-y)

mse_list = []
W=np.arange(0.0,4.1,0.1)
B=np.arange(0.0,4.1,0.1)
[w,b]=np.meshgrid(W,B)

l_sum = 0
for x_val, y_val in zip(x_data, y_data):
    y_pred_val = forward(x_val)
    print(y_pred_val)
    loss_val = loss(x_val, y_val)
    l_sum += loss_val
    
#3D绘图可视化代码
fig = plt.figure()
ax = Axes3D(fig)
ax.plot_surface(w, b, l_sum/3)
plt.show()

[[0.  0.1 0.2 ... 3.8 3.9 4. ]
 [0.1 0.2 0.3 ... 3.9 4.  4.1]
 [0.2 0.3 0.4 ... 4.  4.1 4.2]
 ...
 [3.8 3.9 4.  ... 7.6 7.7 7.8]
 [3.9 4.  4.1 ... 7.7 7.8 7.9]
 [4.  4.1 4.2 ... 7.8 7.9 8. ]]
[[ 0.   0.2  0.4 ...  7.6  7.8  8. ]
 [ 0.1  0.3  0.5 ...  7.7  7.9  8.1]
 [ 0.2  0.4  0.6 ...  7.8  8.   8.2]
 ...
 [ 3.8  4.   4.2 ... 11.4 11.6 11.8]
 [ 3.9  4.1  4.3 ... 11.5 11.7 11.9]
 [ 4.   4.2  4.4 ... 11.6 11.8 12. ]]
[[ 0.   0.3  0.6 ... 11.4 11.7 12. ]
 [ 0.1  0.4  0.7 ... 11.5 11.8 12.1]
 [ 0.2  0.5  0.8 ... 11.6 11.9 12.2]
 ...
 [ 3.8  4.1  4.4 ... 15.2 15.5 15.8]
 [ 3.9  4.2  4.5 ... 15.3 15.6 15.9]
 [ 4.   4.3  4.6 ... 15.4 15.7 16. ]]

电竞吴彦祖
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
PyTorch：构建线性回归模型
要相信光
08-01 1611
文章目录写在前面代码import依赖库数据生成导入数据构建模型定义优化器和损失函数模型训练检验参考 写在前面 之前写过一篇博客，是不基于任何深度学习框架的纯numpy实现，其实整个过程比较繁琐。而深度学习框架能够提供给很多便利，避免一些重复性的工作，也使得代码变得更加简洁。本文主要是基于Pytorch框架实现一个线性回归模型。 基于numpy的线性回归模型构建：波士顿房价预测——线性模型（numpy实现） 代码 import依赖库 import torch import torch.nn as nn fro
PyTorch深度学习-02线性模型（快速入门）
m0_62307289的博客
01-27 461
构建线性模型（准备数据集DataSet、模型选择Model、训练Training、推理inferring），理解损失函数、MSE，代码实现
Pytorch实现线性回归模型
最新发布
小森的博客
04-21 2049
我们接下来使用Pytorch的API来手动构建一个线性回归的假设函数损失函数及优化方法，熟悉一下训练模型的流程。🧨我们将这批数据每次分成16份训练，并且这样重复训练epochs次，可以更深入地学习数据中的特征和模式，有助于防止模型快速陷入局部最优解，从而提高模型的泛化能力，而且。由于每个批次的数据都是随机抽取的。方法被调用时，PyTorch 会自动计算该张量相对于所有需要梯度的参数的梯度，并将这些梯度累加到对应参数的。是简单函数还是复杂的损失函数，都能利用相同的方法来进行梯度的反向传播。
PyTorch|简单实现线性回归模型
木千之
01-12 1519
线性回归是分析一个变量与另外一个（或多个）变量之间关系的一种方法，该方法需要从实际数据中抽象出因变量Y、自变量X，且假定Y相对于X按照近似线性的方式变化，即函数图像上近似呈现一条直线。通常可以用下述公式表示，而模型求解目标为确定其中的斜率W与偏置b。
pytorch学习--第一个模型（线性模型）
fcxgfdjy的博客
07-19 1060
我们想通过随机初始化的参数ω,b\omega ,bω,b能在迭代过程中使预测值和目标值能无限接近 y=ωx+by=\omega x+by=ωx+b 构建模型 利用pytorch中的nn.Module 想要构建模型时，继承这个类即可 一些重写nn.Module类时的注意事项 （1）一般把网络中具有可学习参数的层（如全连接层、卷积层等）放在构造函数__init__()中； （2）一般把不具有可学习参数的层(如ReLU、dropout、BatchNormanation层)可放在构造函数中，也可不放在构造函数中，如
Pytorch——回归问题
12-22
`nn.Linear`用于创建线性变换层，`F.relu`作为激活函数，对隐藏层的输出进行非线性转换，增强模型的表达能力。 【训练神经网络】训练神经网络的关键步骤包括定义损失函数（这里是均方误差MSELoss，用于衡量预测值与...
pytorch学习（六）——线性回归网络
11-07
上传时间：2020/11/07 最后测试：2020/11/07 内容：pytorch框架实现线性回归模型（神经网络） 其他：pytorch学习练习代码 相关介绍：https://blog.csdn.net/jerry_liufeng/article/details/109552181
PyTorch——深度神经网络的写作笔记
01-20
`module`参数是我们要添加的子模块，它可以是PyTorch中的任何其他`nn.Module`实例，如线性层、卷积层、池化层等。通过这种方式，我们可以构建复杂的模型结构，比如多层感知机（MLP）、卷积神经网络（CNN）或循环神经...
Pytorch专题实战——线性回归(Linear Regression)
12-21
本文将深入探讨如何使用PyTorch构建和训练一个简单的线性回归模型。 ### 1. 计算流程 线性回归的计算流程包括以下三个关键步骤： 1. **设计模型**：在PyTorch中，线性回归模型通常由一个线性层（`nn.Linear`）...
pytorch学习（七）——非线性回归网络代码
11-08
上传时间：2020/11/08 最后测试：2020/11/08 内容：pytorch框架实现非线性回归模型（神经网络） 其他：pytorch学习练习代码 相关介绍：https://blog.csdn.net/jerry_liufeng/article/details/109556095
Pytorch深度学习笔记（三）线性模型
qq_45981086的博客
04-13 412
机械学习的过程： 1.准备数据集DataSet——>2.选择模型Model——>3.训练Training——>4.推理Infering。注：数据集策略，将数据集一分为二，一部分为训练集，一部分为开发集。训练集进行训练，开发集进行性能评估。的训练样本训练模型，用来预测未来输入样本的标签，如用于逻辑回归分类器。注：经过训练，输入新的数据能推测出输出。注：这个机械学习开始伴随一个随机参数，为损失值Training Loss，的权重方法：穷举法，绘制损失曲线。是权重，y是真值point，
用Pytorch实现线性回归模型
chairon的博客
01-15 1489
通过构造一个 class LinearModel类来实现，所有的模型类都需要继承nn.Module,这是所有神经忘了模块的基础类。在PyTorch中计算图是通过mini-batch形式进行，所以X、Y都是多维的Tensor。前面已经学习过线性模型相关的内容，实现线性模型的过程并没有使用到Pytorch。之前用过Pytorch的Tensor进行Forward、Backward计算。()：它使类的实例可以像函数一样被调用。而使用Pytorch构造模型，重点时在构建计算图和损失函数上。采用MSE作为损失函数。
pytorch深度学习（1）--线性模型
wuzxcvbnm的博客
10-30 317
线性模型示例一：示例二： 刚入门深度学习的小白，以下代码示例以及近期发表文章示例都是跟着B站刘二大人学习所得。 示例一： 代码如下（示例）： # 引入绘图的包 import numpy as np import matplotlib.pyplot as plt # 引入数据样本 x_data = [1.0, 2.0, 3.0] y_data = [2.0, 4.0, 6.0] # 定义模型 def forwarad(x): return x * w # 定义损失函数 def loss(
PyTorch基础入门二：PyTorch搭建一维线性回归模型
热门推荐
Liam的个人博客
07-28 1万+
PyTorch基础入门二：PyTorch搭建一维线性回归模型 1）一维线性回归模型的理论基础 给定数据集，线性回归希望能够优化出一个好的函数，使得能够和尽可能接近。 如何才能学习到参数和呢？很简单，只需要确定如何衡量与之间的差别，我们一般通过损失函数（Loss Funciton)来衡量：。取平方是因为距离有正有负，我们于是将它们变为全是正的。这就是著名的均方误差。我们要做的事情就是希望能够找...
pytorch学习笔记(线性模型)
eilot_c的博客
01-30 1838
线性模型 问题介绍         线性模型,通俗来讲就是给定很多个数据点,希望能够找到一个函数来拟合这些数据点令它的误差最小,比如简单的一元函数就可以来表示给出一系列的点，找一条直线，使得直线尽可能与这些点接近，也就是这些点到直线的距离之和尽可能小。用数学语言来严格表达 ，即 给定由 d 个属性描述的示例 x = (x1，x2 ，x3 ， ...，xd) ' 其中 Xi 表示X在第i个属性上...
线性回归模型代码实现
rabbit1000000的博客
02-13 3292
线性回归 线性回归基本要素 1.模型 根据房屋面积（平方米）以及房龄（年）预测房屋价格： 2.数据集 我们通常收集一系列的真实数据，例如多栋房屋的真实售出价格和它们对应的面积和房龄。对模型训练以及测试，一栋房屋被称为一个样本（sample），其真实售出价格叫作标签（label），用来预测标签的两个因素叫作特征（feature）。本例中通过自己生成数据集用来训练和测试。 3.损失函数 在模...
【每天进步一点点】pytorch的线性模型实现
weixin_40757206的博客
09-12 254
线性模型实现 这里主要涉及代码实现部分，理论部分的内容较少 一维线性模型 思路： 1.得到训练数据画出原始图像，并将训练数据通过torch.from_numpy转换成Variable类型的变量； 定义参数w和b，并将参数设置成requires_grad=True，True说明反向传播时自动求导，而一般情况下该属性默认为False 2.构建参数模型即线性模型和损失函数 3.进行训练，训练过程中需要记得归零梯度w.grad.zero_()，利用backward()来自动求导，随后更新参数w和b 在进行训练的
pytorch线性模型、逻辑回归二分类模型简单代码
香蕉的博客
03-06 191
多维逻辑回归：
动手学深度学习——PyTorch版
- 线性回归的从零开始实现，包括生成数据集、读取数据、初始化模型参数、定义模型和损失函数等步骤。 本书旨在帮助读者掌握深度学习的基本原理和PyTorch框架，为更高级的深度学习实践打下坚实的基础。通过实践项目...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值