利用pytorch实现线性回归
# -*- coding: utf-8 -*-
"""
Created on Thu Aug 29 10:07:34 2019
@author: Administrator
线性回归
y=wx+b+e,误差e服从正态分布
"""
import torch
from matplotlib import pyplot as plt
from IPython import display
# 设置随机数种子,保证在不同计算机上运行时的输出一致。当我们设置相同的seed,每次生成的随机数相同。
torch.manual_seed(1000)
def get_fake_data(batch_size=8):
"""
产生随机数据,y=x*2+3,加上一些噪声
torch.rand(batch_size,1)→生成x形状为(8,1)
torch.rand() 从0,1的均匀分布中生成一组随机数
torch.randn() 包含了从标准正态分布(均值为0,方差为 1,即高斯白噪声)中抽取一组随机数
"""
x = torch.rand(batch_size,1) * 20
y = x*2+(1+torch.randn(batch_size,1))*3
return x,y
x,y=get_fake_data()
"""
plt.scatter(x,y) 绘制散点图
x,y是长度相同的数组
"""
# plt.scatter(x.squeeze().numpy(), y.squeeze().numpy())
# 随机初始化参数
w = torch.rand(1,1)
b = torch.zeros(1,1)
lr = 0.001 # 学习率
for ii in range(2000):
x,y = get_fake_data()
"""
x.mm(w) x和w相乘
b.expand_as(y) 将b变成和y一样的形状
"""
y_pred = x.mm(w)+b.expand_as(y)
loss = 0.5*(y_pred-y)**2
loss = loss.sum()
# 手动计算梯度
dloss = 1
dy_pred = dloss*(y_pred - y)
dw = x.t().mm(dy_pred)
db = dy_pred.sum()
# 更新参数
w.sub_(lr*dw)
b.sub_(lr*db)
if ii%1000==0:
display.clear_output(wait=True)
x = torch.arange(0,20).view(-1,1)
y = x.mm(w) + b.expand_as(x)
plt.plot(x.numpy(),y.numpy()) # predicted
x2,y2 = get_fake_data(batch_size=20)
plt.scatter(x2.numpy(),y2.numpy()) # true data
plt.xlim(0,20)
plt.ylim(0,41)
plt.show()
plt.pause(0.5)
print(w.squeeze()[0],b.squeeze()[0])
结果