PyTorch深度学习：利用pytorch实现线性回归

最新推荐文章于 2025-06-30 09:52:35 发布

BlackdogC

最新推荐文章于 2025-06-30 09:52:35 发布

阅读量1.1k

点赞数

CC 4.0 BY-SA版权

文章标签：大数据 python pytorch 计算机视觉

本文链接：https://blog.csdn.net/m0_63567560/article/details/125674474

本文详细介绍了如何使用PyTorch库进行线性回归的全过程，包括数据预处理、模型构建（使用线性层）、损失函数选择（MSE）、优化器设置（SGD）以及训练周期中前向传播、损失计算、反向传播和参数更新的代码实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

问题：

若x=1，2，3与y=2，4，6一一对应，那么当x等于4时，y等于？

这次我们将利用PyTorch工具来实现线性回归

过程：

①：准备数据集

②：设计模型

③：构造损失函数和优化器

④：写训练周期

代码说明：

之前的forward()函数变为

y_pred = model(x_data)

loss（）函数变为

criterion = torch.nn.MSELoss(size_average = False)

之前手动设定的梯度优化变为

optimizer = torch.optim.SGD(model.parameters(),lr = 0.01)

反向传播：

loss.backward()

梯度数值更新：

 optimizer.step()

具体代码实现如下：

import torch

x_data = torch.tensor([[1.0],[2.0],[3.0]])      #将x_data设置为tensor类型数据
y_data = torch.tensor([[2.0],[4.0],[6.0]])

class LinearModel (torch.nn.Module):
    def __init__ (self):
        super(LinearModel,self).__init__()      #继承父类
        self.linear = torch.nn.Linear(1,1)      #(1,1)指的是输入x，和y的特征维度

    def forward(self,x):
        y_pred = self.linear(x)
        return y_pred

model = LinearModel()


criterion = torch.nn.MSELoss(size_average = False)      #定义损失函数，不求平均损失
optimizer = torch.optim.SGD(model.parameters(),lr = 0.01)   #定义梯度优化器为随机梯度下降

for epoch in range(10000):                  #训练过程
    y_pred = model (x_data)                 #向前传播，求y_pred
    loss = criterion (y_pred,y_data)        #根据y_pred和y_data求损失
    print(epoch,loss)                       

    optimizer.zero_grad()                   #将优化器数值清零
    loss.backward()                         #反向传播，计算梯度
    optimizer.step()                        #根据梯度更新参数

print("w = ",model.linear.weight.item())
print("b = ",model.linear.bias.item())

x_test = torch.tensor([4.0])
y_test = model(x_test)                      

print('y_pred = ',y_test.data)              #测试