利用pytorch+matplotlib实现线性回归可视化

---

一，引入库和使用工具

import torch.nn as nn
import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt
import datetime

版本

python 3.7
torch == 1.9.0
matplotlib == 3.3.4

二、利用pytorch生成一个随机张量？

# 选取200个x轴坐标，-1到1直接的等差数列
x = torch.unsqueeze(torch.linspace(-1, 1, 200), dim=1)
# 随机选取200个y轴坐标
y = 5 * x + 0.8 * torch.rand(x.size())

# 将x,y添加到Variable
X = Variable(x)
Y = Variable(y)

三、创建模型

代码如下：

# 迭代次数
epoch = 1000
# 学习率
learning_rute = 0.0001
# 定义模型
model = nn.Linear(1, 1)
# 定义losss损失
square_loss = nn.MSELoss(reduction='sum')
# 创建优化器
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rute)

四.开始运行

# 让matplotlib进入交互
plt.ion()
for i in range(epoch):
	# 计算预测值
    y_hat = model(X)
    # 计算损失
    loss = square_loss(y_hat, Y)
    # 每迭代100次，打印一次损失
    if (i + 1) % 100 == 0:
        print(loss)
    # 梯度置零
    optimizer.zero_grad()
    # 反向传播
    loss.backward()
    # 参数更新
    optimizer.step()
    # matplotlib窗口清空
    plt.cla()
    # 绘制x,y坐标点
    plt.scatter(X.data.numpy(), Y.data.numpy())
    # 绘制直线
    plt.plot(X.data.numpy(), y_hat.data.numpy(), 'r-', lw=2)
    # 暂停0.05s，用于观察	
    plt.pause(0.05)
# 关闭交互
plt.ioff()

五.运行结果

tensor(106.4726, grad_fn=<MseLossBackward>)
tensor(16.7484, grad_fn=<MseLossBackward>)
tensor(10.7933, grad_fn=<MseLossBackward>)
tensor(10.3978, grad_fn=<MseLossBackward>)
tensor(10.3715, grad_fn=<MseLossBackward>)
tensor(10.3698, grad_fn=<MseLossBackward>)
tensor(10.3696, grad_fn=<MseLossBackward>)
tensor(10.3696, grad_fn=<MseLossBackward>)
tensor(10.3696, grad_fn=<MseLossBackward>)
tensor(10.3696, grad_fn=<MseLossBackward>)

六.全部代码

import torch.nn as nn
import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt
import datetime

t_start = datetime.datetime.now()

x = torch.unsqueeze(torch.linspace(-1, 1, 200), dim=1)
print(x.size())
y = 5 * x + 0.8 * torch.rand(x.size())
X = Variable(x)
Y = Variable(y)

epoch = 1000
learning_rute = 0.0001
model = nn.Linear(1, 1)
square_loss = nn.MSELoss(reduction='sum')
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rute)

plt.ion()

for i in range(epoch):

    y_hat = model(X)
    loss = square_loss(y_hat, Y)
    if (i + 1) % 100 == 0:
        print(loss)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    plt.cla()
    plt.scatter(X.data.numpy(), Y.data.numpy())
    plt.plot(X.data.numpy(), y_hat.data.numpy(), 'r-', lw=2)

    plt.pause(0.05)
plt.ioff()

print('\n',datetime.datetime.now() - t_start)

白嫖不好，创作不易。各位的点赞就是我创作的最大动力，如果我有哪里写的不对，欢迎评论区留言进行指正。各位老铁要是觉得这篇文章很有用的话，麻烦手抖点个赞，大家的支持是我前进的动力，后期将发布更好的作品，文章有哪些错误，也麻烦各位大佬纠正，谢谢各位！