本文實例為大家分享了pytorch實現(xiàn)線性回歸的具體代碼，供大家參考，具體內(nèi)容如下
線性回歸都是包括以下幾個步驟：定義模型、選擇損失函數(shù)、選擇優(yōu)化函數(shù)、 訓(xùn)練數(shù)據(jù)、測試
import torch
import matplotlib.pyplot as plt
# 構(gòu)建數(shù)據(jù)集
x_data= torch.Tensor([[1.0],[2.0],[3.0],[4.0],[5.0],[6.0]])
y_data= torch.Tensor([[2.0],[4.0],[6.0],[8.0],[10.0],[12.0]])
#定義模型
class LinearModel(torch.nn.Module):
def __init__(self):
super(LinearModel, self).__init__()
self.linear= torch.nn.Linear(1,1) #表示輸入輸出都只有一層,相當(dāng)于前向傳播中的函數(shù)模型，因為我們一般都不知道函數(shù)是什么形式的
def forward(self, x):
y_pred= self.linear(x)
return y_pred
model= LinearModel()
# 使用均方誤差作為損失函數(shù)
criterion= torch.nn.MSELoss(size_average= False)
#使用梯度下降作為優(yōu)化SGD
# 從下面幾種優(yōu)化器的生成結(jié)果圖像可以看出，SGD和ASGD效果最好，因為他們的圖像收斂速度最快
optimizer= torch.optim.SGD(model.parameters(),lr=0.01)
# ASGD
# optimizer= torch.optim.ASGD(model.parameters(),lr=0.01)
# optimizer= torch.optim.Adagrad(model.parameters(), lr= 0.01)
# optimizer= torch.optim.RMSprop(model.parameters(), lr= 0.01)
# optimizer= torch.optim.Adamax(model.parameters(),lr= 0.01)
# 訓(xùn)練
epoch_list=[]
loss_list=[]
for epoch in range(100):
y_pred= model(x_data)
loss= criterion(y_pred, y_data)
epoch_list.append(epoch)
loss_list.append(loss.item())
print(epoch, loss.item())
optimizer.zero_grad() #梯度歸零
loss.backward() #反向傳播
optimizer.step() #更新參數(shù)
print("w= ", model.linear.weight.item())
print("b= ",model.linear.bias.item())
x_test= torch.Tensor([[7.0]])
y_test= model(x_test)
print("y_pred= ",y_test.data)
plt.plot(epoch_list, loss_list)
plt.xlabel("epoch")
plt.ylabel("loss_val")
plt.show()
使用SGD優(yōu)化器圖像：
使用ASGD優(yōu)化器圖像：
使用Adagrad優(yōu)化器圖像：
使用Adamax優(yōu)化器圖像：
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
標(biāo)簽：湖州 中山 呼和浩特 股票 畢節(jié) 衡水 江蘇 駐馬店
巨人網(wǎng)絡(luò)通訊聲明：本文標(biāo)題《使用pytorch實現(xiàn)線性回歸》，本文關(guān)鍵詞 使用,pytorch,實現(xiàn),線性,回歸,；如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題，煩請?zhí)峁┫嚓P(guān)信息告之我們，我們將及時溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò)，涉及言論、版權(quán)與本站無關(guān)。
