Pytorch实现线性回归实战

随机初始化一个二维数据集，数据中只包含X轴Y轴坐标，然后使用Pytorch训练一个一元线性回归模型模拟这些数据。
随机生成二维数据并可视化

import numpy as np
import random
import matplotlib.pyplot as plt
x = np.arange(20)
y = np.array([5 * x[i] + random.randint(1, 20) for i in range(len(x))])
print(x, y)
plt.xlabel("X")
plt.ylabel("Y")
plt.scatter(x, y)
plt.show()

可视化结果：

现在要做的事是找出一条直线，最大限度逼近这些点，使误差最小。要达到这一目的，需要借助pytorch训练一个一元线性回归模型，首先使用from_numpy方法将上面生成的数据转换成Tensor。

import torch
x_train = torch.from_numpy(x).float()
y_train = torch.from_numpy(y).float()

然后，借助pytorch的nn.Modlue搭建线性模型，新建LinearRegression类继承nn.Modlue。

class LinearRegression(torch.nn.Module):
    def __init__(self):
        super(LinearRegression, self).__init__()
        self.linear = torch.nn.Linear(1, 1)
    def forward(self, x):
        return self.linear(x)

因为随机生成的输入数据x和输出数据y都是一维的，所以在__int__方法中声明的linear模型的输入输出都是1。在forward方法中简单地调用linear模型，将x传入即可。下面开始创建模型，优化器采用SGD，损失函数采用MSELoss。

model = LinearRegression()
criterion = torch.nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), 0.001)
epochs = 10
for i in range(epochs):
    input_data = x_train.unsqueeze(1)
    target = y_train.unsqueeze(1)
    out = model(input_data)
    loss = criterion(out, target)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    print("Epoch:[{}/{}],loss:[{:.4f}]".format(i+1, epochs, loss.item()))
    if (i+1) % 2 == 0:
        predict = model(input_data)
        plt.plot(x_train.data.numpy(), predict.squeeze(1).data.numpy(), "r")
        loss = criterion(predict, target)
        plt.title("Loss:{:4f}".format(loss.item()))
        plt.xlabel("X")
        plt.ylabel("Y")
        plt.scatter(x_train, y_train)
        plt.show()

每迭代2个epoch打印出拟合的直线图，如下：

从上图可以看出，随着迭代次数的增加，损失值越来越小，直线拟合得越来越好，至此就完成了简单的一元线性回归。