PyTorch实现线性回归详细过程_开发_开发者

开发者 https://www.devze.com 2022-12-12 12:52 出处：网络作者：心️升明月

目录一、实现步骤1、准备数据2、设计模型3、构造损失函数和优化器4、训练过程5、结果展示二、参考文献一、实现步骤

一、实现步骤

1、准备数据

x_data = torch.tensor([[1.0],[2.0],[3.0]])
y_data = torch.tensor([[2.0],[4.0],[6.0]])

2、设计模型

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

3、构造损失函数和优化器

criterion = torch.nn.MSELoss(reduction='sum')
optimhttp://www.cppcns.comizer = torch.optim.SGD(model.parameters(),lr=0.01)

4、训练过程

epoch_list = []
loss_list = []
w_list = []
b_list = []
for epoch in range(1000):
  y_pred = model(x_data)      # 计算预测值
  loss = criterion(y_pred, y_data) # 计算损失
  print(epoch,loss)
 
  epoch_list.append(epoch)
  loss_list.append(loss.data.item())
  w_list.append(model.linear.weight.item())
  b_list.append(model.linear.bias.item())
 
  optimizer.zero_grad()  # 梯度归零
  loss.backward()     # 反向传播
  optimizer.step()    # 更新

5、结果展示

展示最终的权重和偏置：

# 输出权重和偏置
print('w = ',model.linear.weight.item())
print('b = ',model.linear.bias.item())

结果为：

w = 1.9998501539230347
b = 0.0003405189490877092

模型测试：

# 测试模型
x_test = torch.tensor([[4.0]])
y_test = model(x_test)
print('y_pred = ',y_test.data)

y_pred = tensor([[7.9997]])

分别绘制损失值随迭代次数变化的二维曲线图和其随权重与偏置变化的三维散点图：

# 二维曲线图
plt.phttp://www.cppcns.comlot(epoch_list,loss_list,'b')
plt编程客栈.xlabel('epoch')
plt.ylabel('loss')
plt.show()

# 三维散点图
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.scatter(w_list,b_list,loss_list,c='r')
#设置坐MfJdEM标轴
ax.set_xlabel('weight')
ax.set_ylabel('bias')
ax.set_zlabel('loss')
plt.show()

结果如下图所示：

PyTorch实现线性回归详细过程