Pytorch实现最简单的线性回归（4）

关注

原创最新推荐文章于 2026-05-12 07:43:33 发布 297 阅读 AI 写同款· GEO 优化 ›

Pytorch实现线性回归模型我们接下来使用Pytorch的API来手动构建一个线性回归的假设函数损失函数及优化方法，熟悉一下训练模型的流程。🧨我们将这批数据每次分成16份训练，并且这样重复训练epochs次，可以更深入地学习数据中的特征和模式，有助于防止模型快速陷入局部最优解，从而提高模型的泛化能力，而且。由于每个批次的数据都是随机抽取的。方法被调用时，PyTorch 会自动计算该张量相对于所有需要梯度的参数的梯度，并将这些梯度累加到对应参数的。是简单函数还是复杂的损失函数，都能利用相同的方法来进行梯度的反向传播。阅读详情

在运行环境中输入：

import torch
from torch.autograd import Variable

#准备数据
x_data = [5.0, 7.0, 3.0]
y_data = [15.0, 21.0, 9.0]

#产生随机变量
w = Variable(torch.Tensor([1.0]), requires_grad=True)
r = 0.001;  #定义学习率
#准备模型
def forward(x):
    return x * w

#设置损失函数
def loss(x, y):
    y_pred = forward(x)
    return (y_pred - y) * (y_pred - y)


# 训练前预测输入为10时，预测结果为
print("predict (before training)",  10, forward(10).data[0])

# Training loop
for epoch in range(100):
    for x_val, y_val in zip(x_data, y_data):
        l = loss(x_val, y_val)
        l.backward()
        print("\tgrad: ", x_val, y_val, w.grad.data[0])
        w.data = w.data - r * w.grad.data

        #更新权重后手动调零渐变
        w.grad.data.zero_()

    print("progress:", epoch, l.data[0])

#输入10，得到预测结果
print("predict (after training)",  10, forward(10).data[0])

程序运行结果：

progress: 98 tensor(1.4552e-11)
	grad:  5.0 15.0 tensor(-5.7220e-05)
	grad:  7.0 21.0 tensor(-0.0001)
	grad:  3.0 9.0 tensor(-2.2888e-05)
progress: 99 tensor(1.4552e-11)
predict (after training) 10 tensor(30.0000)

了解更多关于《计算机视觉与图形学》相关知识，请关注公众号：