PyTorch--线性回归

PyTorch–线性回归

运用PyTorch模拟简单的线性回归
利用随机梯度下降法更新参数w和b来最小化损失函数，最终学习到w和b的值。
1.先导入库，产生随机数据，并加入了高斯白噪声。

import torch as t
from matplotlib import pyplot as plt
from IPython import display
t.manual_seed(1000)

def get_fake_data(batch_size=8):
    x = t.rand(batch_size, 1) * 20 #产生batch—size行1列的（0，1）之间均匀分布的随机值，再扩大20倍
    y = x * 2 + 3*(1 + t.randn(batch_size, 1)) #加上正态分布的随机噪声
    return x, y

2.初始化参数以及网络学习

#随机初始化参数
w = t.rand(1, 1)
b = t.zeros(1, 1)
lr = 0.001
for i in range(50000):
    x, y = get_fake_data()
    #forward
    y_pred = x.mm(w) + b.expand_as(x)
    loss = 0.5 * (y_pred - y) ** 2
    loss = loss.sum()
    #backward
    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 i % 10000 == 0:
        display.clear_output(wait=True)
        x1 = t.arange(0, 20, dtype=t.float).view(-1, 1)
        y1 = x1.mm(w) + b.expand_as(x1)
        plt.plot(x1.numpy(), y1.numpy())

        x2, y2 = get_fake_data(batch_size=20)
        plt.scatter(x2.numpy(), y2.numpy())

        plt.xlim(0, 20)
        plt.ylim(0, 40)
        plt.show()
        # print(w.squeeze()[0], b.squeeze()[0])
        print(w.item(), b.item())

3.画图及最终结果
这是10000轮之后的图

这是50000之后的图

最终的w和b的数值也越来越接近真值2和3.