pytorch之线性回归小示例

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