用pytorch实现线性回归

最新推荐文章于 2024-08-01 21:08:58 发布

原创最新推荐文章于 2024-08-01 21:08:58 发布 · 276 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #深度学习 #pytorch

人工智能同时被 2 个专栏收录

17 篇文章

订阅专栏

pytorch

7 篇文章

订阅专栏

本文介绍了使用PyTorch构建和训练线性模型的步骤，包括准备数据集、定义模型类、设置损失函数和优化器，以及进行训练循环。在训练过程中，注意损失函数的正确调用方式，避免输出错误。最后，展示了模型的权重和偏置，并进行了预测。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一.准备数据集

先看公式：
在这里插入图片描述
所以，在写代码时，x,y要定义为矩阵。

模型要定义成一个继承自nn.Module的类：
在这里插入图片描述

二.使用类设计模型

在这里插入图片描述

call:

args & kwargs

三.构造损失和优化器

在这里插入图片描述

四.训练周期

在这里插入图片描述
**此处笔者有个小错误，输出应该是loss.item()，不然输出结果就如下图所示。

在这里插入图片描述

运行结果：

在这里插入图片描述
迭代了100次，还没有收敛，可以再多迭代几轮，也不要太多，以免模型过拟合。

整体代码：

import torch

x_data=torch.Tensor([[1.0],[2.0],[3.0]]) 
			#3*1的矩阵，行是样本，列是feature
y_data=torch.Tensor([[2.0],[4.0],[6.0]])

class LinearModel(torch.nn.Module):
    # nn.module公共基类
    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()

criterion=torch.nn.MSELoss(size_average=False) #损失函数
optimizer=torch.optim.SGD(model.parameters(),lr=0.01) 
#optim里的都是优化器，parameters可以找到所有参数

for epoch in range(100):
    y_pred=model(x_data)  #y_hat
    loss=criterion(y_pred,y_data)  #loss
    print(epoch,loss.item())
    
    optimizer.zero_grad() #梯度清零
    
    loss.backward() #反馈
    optimizer.step() #更新
    
print("w=",model.linear.weight.item())
print("b=",model.linear.bias.item())
#test model
x_test=torch.Tensor([[4.0]])
y_test=model(x_test)
print("y_pred=",y_test.data)

小结

在这里插入图片描述