pytorch 多项式回归

最新推荐文章于 2025-05-20 16:07:44 发布

听风吹等浪起

最新推荐文章于 2025-05-20 16:07:44 发布

阅读量987

点赞数 3

CC 4.0 BY-SA版权

分类专栏： pytorch 深度学习初体验文章标签：回归数据挖掘人工智能

本文链接：https://blog.csdn.net/qq_44886601/article/details/127434452

pytorch 深度学习初体验专栏收录该内容

11 篇文章

订阅专栏

这篇博客通过Python的PyTorch库演示了如何进行多项式回归。首先创建了一个包含20个样本的数据集，每个样本的y值由1+2x+x^2加上随机噪声生成。接着，初始化了模型参数，并设置了小的学习率防止梯度爆炸。在训练过程中，执行了前向传播、计算损失、反向传播、梯度下降和梯度清零等步骤。经过1000次迭代，最终模型能够较好地拟合数据，并绘制了样本点与预测曲线的图表，实现了数据的可视化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 准备数据

首先，还是先定义我们的数据集，这里我们定义20个样本

然后真实值y近似等于 1 + 2x + x^2 ，为了不是完全符合多项式，添加了一些随机噪声

2. 随机初始化参数

因为我们打算建立一个y = a + bx + cx^2 的多项式模型去预测，所以我们需要三个参数，因为平方项乘积已经很大了，为了防止梯度爆炸，这里学习率先设置小一点

3. 训练数据

训练的过程较为简单，还是遵循几个步骤

前向传播，网络模型的预测值
定义损失函数
反向传播
梯度下降
梯度清零
然后一直重复前面的步骤

4. 可视化

最后一步打印学习到的参数

然后将样本点和预测曲线绘制出来就行了

5. code

import torch
import matplotlib.pyplot as plt
import numpy as np


def train_data(batch_size = 20):   # 定义数据集
    x = torch.rand(batch_size) * 10
    y = x**2 + 2*x + 1 + torch.randn(batch_size) # 随机噪声
    return x,y    # y = 1 + 2x + x^2 近似

x_data, y_data = train_data()    # 取出数据
a = torch.randn(1,requires_grad=True)
b = torch.randn(1,requires_grad=True)
c = torch.randn(1,requires_grad=True)
lr = 0.0001   # 学习率

for epoch in range(1000):
    for x,y in zip(x_data,y_data):
        y_pred = a + b * x  + c * x * x   # y = a + bx + cx^2 去预测
        loss = (y-y_pred).pow(2)   # 损失函数
        loss.backward()             # 反向传播

        a.data -= a.grad.data * lr    # 更新参数
        b.data -= b.grad.data * lr
        c.data -= c.grad.data * lr

        a.grad.data.zero_()         # 梯度清零
        b.grad.data.zero_()
        c.grad.data.zero_()

    if epoch % 100 ==0:
        print(epoch, loss.item())

print(a.data, b.data, c.data)  # 打印网络学习到的参数
with torch.no_grad():    #  不需要计算梯度
    x = np.linspace(0, 11, 30)
    y = a.data + b.data * x + c.data * x * x

plt.scatter(x_data, y_data)
plt.plot(x, y)
plt.show()

样本点和我们预测的多项式曲线基本拟合