PyTorch实现线性回归详细过程
作者：心️升明月
本文介绍PyTorch实现线性回归，线性关系是一种非常简单的变量之间的关系，因变量和自变量在线性关系的情况下，可以使用线性回归算法对一个或多个因变量和自变量间的线性关系进行建模，该模型的系数可以用最小二乘法进行求解,需要的朋友可以参考一下
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') optimizer = 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.plot(epoch_list,loss_list,'b')
plt.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')
#设置坐标轴
ax.set_xlabel('weight')
ax.set_ylabel('bias')
ax.set_zlabel('loss')
plt.show()结果如下图所示：
到此这篇关于PyTorch实现线性回归详细过程的文章就介绍到这了,更多相关PyTorch线性回归内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！