通过调用pytorch的API实现一元线性回归

通过调用pytorch的API实现一元线性回归

要想知道pytorch中的实现线性回归的程序运行原理，需要先知道：

1. 类和对象的关系
2. 类中用于初始化的构造方法工作原理
3. 子类对父类的继承
   我们先看第一个例子：

class Dog():              #定义了一个Dog类，相当于模板
    name = "大黄"          #类中的一个属性
    def __init__(self):   #构造方法，用于初始化数据
        print("是一条狗")
    def eat(self):        #方法：函数在类中专门有个称呼，叫做方法
        print("要吃东西" )
    def roll(self):
        print("要打滚")
        
def listen():             #函数：它在类外面
    print("大黄汪汪叫")
    
Bob=Dog()                 #类的实例化

print(Bob)

我们再看第二个例子：

class Person:    #父类
    def __init__(self,name,gender):
        self.name = name
        self.gender = gender
    def printinfo(self):
        print(self.name,self.gender)

class Stu(Person):  #子类
    def __init__(self,name,gender,school):
        super(Stu, self).__init__(name,gender) # 使用父类的初始化方法来初始化子类
        self.school = school
    def printinfo(self): # 对父类的printinfo方法进行重写
        print(self.name,self.gender,self.school)

上面两个例子对类、对象、方法都做了很好的说明，搞懂了就可以调用pytorch中的API实现一个简单的线性回归，代码如下：

import torch
import numpy as np
from torch.autograd import Variable
from torch import nn
from torch.optim import SGD
import matplotlib.pyplot as plt


#创建数据
x_train = np.array([[3.3], [4.4], [5.5], [6.71], [6.93], [4.168],
                    [9.779], [6.182], [7.59], [2.167], [7.042],
                    [10.791], [5.313], [7.997], [3.1]], dtype=np.float32)

y_train = np.array([[1.7], [2.76], [2.09], [3.19], [1.694], [1.573],
                    [3.366], [2.596], [2.53], [1.221], [2.827],
                    [3.465], [1.65], [2.904], [1.3]], dtype=np.float32)

#转成Tensor类型
x_train = torch.Tensor(x_train)
y_train = torch.Tensor(y_train)

plt.plot(x_train.data.numpy(), y_train.data.numpy(), 'bo', label='real')
plt.show()

#1 定义模型
class LR(nn.Module):   #nn.Module是一个父类，LR是一个子类，这个写法是子类对父类的继承
    def __init__(self):   #在LR这个类中定义一个构造函数，用于对象的初始化
        super(LR,self).__init__()  #调用父类初始化方法来初始化子类
        self.linear = nn.Linear(1,1)  #Linear(1,1)中的参数是输入1，输出1

    def forward(self,x_train):
        out = self.linear(x_train)
        return out

#2 实例化模型  实例化优化器 实例化损失函数
mylinear = LR()
optimizer = SGD(mylinear.parameters(),0.001)
loss_fn = nn.MSELoss()

# 3 循环，进行梯度更新
max_iteration = 100   #最大迭代次数
for i in range(max_iteration):
    #得到预测值
    y_predict = mylinear(x_train)   #通过调用定义的模型获得预测值
    #计算损失函数
    loss = loss_fn(y_predict,y_train)
    #梯度置位零
    optimizer.zero_grad()
    #反向传播
    loss.backward()
    #参数更新
    optimizer.step()
    params = list(mylinear.parameters())
    if i%10 == 0:   #每更新10次，打印一次输出结果
        print(loss.item())   #打印损失函数的值
        # print(mylinear.parameters().item())  #也可以打印线性模型中的参数

plt.plot(x_train.data.numpy(), y_train.data.numpy(), 'bo', label='real')
plt.plot(x_train.data.numpy(), y_predict.data.numpy(), 'ro', label='estimated')
plt.legend()
plt.show()

我们先来看原始数据的图像：

经过拟合后的数据图像：