自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

点击选择上传的图片

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

点击选择上传的图片

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

上一步保存

weixin_54060520的博客

原创使用加利福尼亚房价数据集（California housing dataset）来实现线性回归，并展示训练和测试损失随训练周期的变化

【代码】使用加利福尼亚房价数据集（California housing dataset）来实现线性回归，并展示训练和测试损失随训练周期的变化。

2024-06-27 01:50:03 168 2

原创 Pytorch中（GPU-CPU）实现线性回归

【代码】Pytorch中（GPU-CPU）实现线性回归。

2024-06-27 01:45:26 81 2

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

4.225 CSDN认证博客专家 CSDN认证企业博客

码龄4年

暂无认证

IP 属地：广东省

IP属地以运营商信息为准，境内显示到省（区、市），境外显示到国家（地区）

2: 原创

208万+: 周排名

52万+: 总排名

249: 访问

: 等级

25: 积分

0: 粉丝

4: 获赞

4: 评论

0: 收藏

私信

关注

最新评论

使用加利福尼亚房价数据集（California housing dataset）来实现线性回归，并展示训练和测试损失随训练周期的变化
4.225: import org.junit.jupiter.api.Test; import java.io.IOException; import java.nio.file.Files; import java.nio.file.Path; import java.nio.file.Paths; import java.util.stream.Stream; import static org.junit.jupiter.api.Assertions.assertTrue; public class JavaFileReaderTest { @Test void testReadJavaFiles() { Path start = Paths.get("src"); // 你可以根据需要调整这个路径 try (Stream<Path> stream = Files.walk(start)) { stream.filter(Files::isRegularFile) .filter(path -> path.toString().endsWith(".java")) .forEach(path -> { try { String content = Files.readString(path); System.out.println("Content of " + path + ":\n" + content); assertTrue(content.length() > 0); // 确认文件不为空 } catch (IOException e) { e.printStackTrace(); } }); } catch (IOException e) { e.printStackTrace(); } } }
Pytorch中（GPU-CPU）实现线性回归
4.225: import torch import torch.nn as nn # 定义相同的模型结构 class LinearRegressionModel(nn.Module): def __init__(self): super(LinearRegressionModel, self).__init__() self.linear = nn.Linear(1, 1) def forward(self, x): return self.linear(x) # 加载模型 model_loaded = LinearRegressionModel() model_loaded.load_state_dict(torch.load('linear_regression_model.pth', map_location=torch.device('cpu'))) model_loaded.eval() # 做预测 x_new = torch.tensor([[0.5], [0.2]], dtype=torch.float32) y_pred = model_loaded(x_new) print(f"Predictions: {y_pred.flatten()}")
Pytorch中（GPU-CPU）实现线性回归
4.225: import torch import torch.nn as nn import torch.optim as optim import numpy as np import matplotlib.pyplot as plt # 设置随机种子以确保结果可以复现 torch.manual_seed(0) np.random.seed(0) # 数据生成 x = np.random.rand(10000, 1) y = 2 * x + 1 + 0.1 * np.random.randn(10000, 1) # 真实模型为 y = 2x + 1 加上一些噪声 # 转换为torch张量并发送到设备 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") x_train = torch.tensor(x, dtype=torch.float32).to(device) y_train = torch.tensor(y, dtype=torch.float32).to(device) # 定义线性回归模型 class LinearRegressionModel(nn.Module): def __init__(self): super(LinearRegressionModel, self).__init__() self.linear = nn.Linear(1, 1) # 一个输入特征和一个输出特征 def forward(self, x): return self.linear(x) # 实例化模型并移至设备 model = LinearRegressionModel().to(device) # 损失函数和优化器 criterion = nn.MSELoss() optimizer = optim.SGD(model.parameters(), lr=0.1) # 训练模型 losses = [] num_epochs = 200 for epoch in range(num_epochs): model.train() optimizer.zero_grad() # 前向传播 outputs = model(x_train) loss = criterion(outputs, y_train) # 反向传播和优化 loss.backward() optimizer.step() losses.append(loss.item()) if (epoch+1) % 10 == 0: print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}') # 保存模型参数 torch.save(model.state_dict(), 'linear_regression_model.pth') # 可视化损失变化 plt.plot(losses) plt.xlabel('Epoch') plt.ylabel('Loss') plt.title('Loss Trend') plt.show() # 加载模型并进行预测 model_loaded = LinearRegressionModel() model_loaded.load_state_dict(torch.load('linear_regression_model.pth')) model_loaded.eval() # 使用模型进行预测 x_test = torch.tensor([[0.5], [0.2]], dtype=torch.float32).to(device) y_pred = model_loaded(x_test).cpu().numpy() print(f"Predictions for inputs [0.5, 0.2]: {y_pred.flatten()}") # 可视化训练数据和模型预测 with torch.no_grad(): plt.scatter(x_train.cpu(), y_train.cpu(), alpha=0.3) plt.plot(x_train.cpu(), model_loaded(x_train).cpu(), color='red') plt.xlabel('x') plt.ylabel('y') plt.title('Fit Line and Training Data') plt.show()
使用加利福尼亚房价数据集（California housing dataset）来实现线性回归，并展示训练和测试损失随训练周期的变化
CSDN-Ada助手: 推荐算法技能树：https://edu.csdn.net/skill/algorithm?utm_source=AI_act_algorithm

原创 使用加利福尼亚房价数据集（California housing dataset）来实现线性回归，并展示训练和测试损失随训练周期的变化

原创 Pytorch中（GPU-CPU）实现线性回归

空空如也

空空如也

原创使用加利福尼亚房价数据集（California housing dataset）来实现线性回归，并展示训练和测试损失随训练周期的变化