Pytorch实现线性回归并实时显示拟合过程(6)

PyTorch 安装: pip install torchsummary or git clone https://github.com/sksq96/pytorch-summary 使用示例: CNN for MNSIT import torch import torch.nn as nn import torch.nn.functional as F from torchsummary import summ... 阅读详情

本代码通过使用Pytorch动态实现线性回归:

import torch
import torch.nn.functional as F
from torch.autograd import Variable
import matplotlib.pyplot as plt

'''
先看torch.squeeze() 这个函数主要对数据的维度进行压缩,去掉维数为1的的维度,比如是一行或者一列这种,一个一行三列(1,3)的数去掉第一个维数为一的维度之后就变成(3)行。squeeze(a)就是将a中所有为1的维度删掉。不为1的维度没有影响。a.squeeze(N) 就是去掉a中指定的维数为一的维度。还有一种形式就是b=torch.squeeze(a,N) a中去掉指定的定的维数为一的维度。

再看torch.unsqueeze()这个函数主要是对数据维度进行扩充。给指定位置加上维数为一的维度,比如原本有个三行的数据(3),在0的位置加了一维就变成一行三列(1,3)。a.squeeze(N) 就是在a中指定位置N加上一个维数为1的维度。还有一种形式就是b=torch.squeeze(a,N) a就是在a中指定位置N加上一个维数为1的维度

'''
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size())                 # noisy y data (tensor), shape=(100, 1)


class Net(torch.nn.Module):
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(n_feature, n_hidden)   # hidden layer
        self.predict = torch.nn.Linear(n_hidden, n_output)   # output layer

    def forward(self, x):
        x = F.relu(self.hidden(x))      # activation function for hidden layer
        x = self.predict(x)             # linear output
        return x

net = Net(n_feature=1, n_hidden=10, n_output=1)     # define the network
print(net)  # net architecture

optimizer = torch.optim.SGD(net.parameters(), lr=0.2)
loss_func = torch.nn.MSELoss()  # this is for regression mean squared loss

plt.ion()   # 打开交互模式

for t in range(300):
    prediction = net(x)                 # input x and predict based on x

    loss = loss_func(prediction, y)     # must be (1. nn output, 2. target)

    optimizer.zero_grad()   # clear gradients for next train
    loss.backward()         # backpropagation, compute gradients
    optimizer.step()        # apply gradients

    if t % 5 == 0:
        #绘制和显示学习率
        plt.cla()  # 即清除当前图形中的当前活动轴。其他轴不受影响
        plt.scatter(x.data.numpy(), y.data.numpy())   #散点图
        plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
        plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color':  'red'})
        plt.pause(0.1)

plt.ioff()  # 显示前关掉交互模式
plt.show()

显示拟合结果:

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:

下载我们视频中代码和相关讲义,请在公众号回复:计算机视觉课程资料

Pytorch模型如何查看每层输入维度输出维度 表示模型的输入维度,即 C = 3,H = 32,W = 32。运行后可以看到所有层输入、输出的维度以及参数数量等信息。库来实现对 PyTorch 模型的结构及参数统计的输出,其可以方便我们查看每层输入、输出的维度以及参数数量等信息。在 PyTorch 中,可以使用。 阅读详情

相关推荐

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。

小森的博客 2742

Pytorch:打印模型中每一层的输出大小shape与参数量

在使用Pytorch编写模型时,为了验证检查代码是否正确,需要查看模型每一层的输出shape或是模型结构。 然而在Pytorch只能够直接查看模型的结构,无法简单、直观地查看每一层的输出大小,需要自行手动计算,并且在输入shape改变时,每一层的输出同样随之变化,需要重复计算。 因此,这里建议使用一个工具,torchsummary...

weixin_42233605的博客 8543

【pytorch】过拟合的应对办法 —— 权重衰减(并以具体实例详细推导、讲解)

文章目录一、什么是权重衰减,为什么权重衰减可以缓解过拟合?二、权重衰减的手动实现与简单实现3.12.2 高维线性回归实验3.12.3 从零开始实现3.12.3.1 初始化模型参数3.12.3.2 定义L2L_2L2​范数惩罚项3.12.3.3 定义训练和测试3.12.3.4 观察过拟合3.12.3.5 使用权重衰减3.12.4 简洁实现小结三、什么是丢弃法,为什么丢弃法可以缓解过拟合?四、丢弃法的...

miracleoa的博客 3024

Pytorch 中打印网络结构及其参数的方法与实现

pytorch 中打印网络结构及其参数的方法与实现

like_jmo的博客 1万+

实验 2 利用 PyTorch 实现简单的线性回归算法,文末有福利

由于篇幅限制,pdf文档的详解资料太全面,细节内容实在太多啦,所以只把部分知识点截图出来粗略的介绍,每个小节点里面都有更细化的内容!点击【学习资料】即可免费领取!多啦,所以只把部分知识点截图出来粗略的介绍,每个小节点里面都有更细化的内容!点击【学习资料】即可免费领取![外链图片转存中…(img-NkNvO1Wx-1712336196564)][外链图片转存中…(img-eqf3e6v7-1712336196564)]

2401_84091110的博客 1096

【PyTorch】输出网络中间层结果

PyTorch实现输出网络中间层结果。

算法与编程之美 1767

Pytorch之LinearRegression

任务内容: 学习《线性单元和梯度下降》相关内容,拟合一元二次方程“y = 2

zhanly19的博客 918

pytorch 实现线性回归

实现线性回归 线性回归是机器学习入门知识,应用十分广泛。线性回归利用数理统计中回归分析,来确定两种或两种以上变量间相互依赖的定量关系的,其表达形式为y=wx+b+ey = wx+b+ey=wx+b+e,eee为误差服从均值为0的正态分布。首先让我们来确认线性回归的损失函数: loss=∑iN12(yi−(wxi+b))2 loss = \sum_i^N \frac 1 2 ({y_i-(wx_i+...

微信号:RunsenLiu 1521

【线性回归】线性回归的详细介绍&代码完全实现

早上没睡醒!又是在梦中被坏女人骗走感情的一天。

艰难困苦,玉汝于成。 8388

PyTorch深度学习实战 | 预测工资——线性回归

通过员工工作年限与工资的对应关系表,找出二者之间的关系,并预测在指定的年限时,工资会有多少。

不断学习,不断进步,提高自己 2505

c语言压力变送器程序设计,基于单片机的压力变送器设计

基于单片机的压力变送器设计(任务书,开题报告,外文翻译,论文15000字,代码)摘要随着工业化水平的不断提高,新型智能仪表在工业生产过程中运用也越来越广泛,同时对输出数据的准确检测和处理也变得至关重要。生产过程的运行和设备安全是极其重要的,那么如何实现对其精确的检测呢?众所周知,在工业生产过程中有一个很重要参数——压力,显然这个参数是一个必不可少的条件。故而,研究智能压力变松器系统对工业生产有着不...

weixin_33681561的博客 1967

Pytorch实现线性回归

对于样本集由n个数据对组成,线性回归的任务就是训练出一个函数使得与的误差尽可能小,即保证所拟合的直线能很好地反映出数据集D的特征,而这其中的关键在于中和b的取值。 利用pytorch实现线性回归可分为4步 第一步 准备数据 x = np.arange(20) y = np.array([5 * x[i] + random.randint(1,20) for i in range(len(x))]) x_train = torch.from_numpy(x).float() # 将数据x转换为Tens

weixin_44113625的博客 4277

Zotero搭配CNKI.js插件:一键批量下载知网文献的完整教程(附常见问题解决)

本文提供Zotero搭配CNKI.js插件实现知网文献批量下载的完整教程。详细介绍了从环境准备、插件安装到实战操作的全流程,并针对常见问题提供解决方案,旨在帮助科研人员高效构建自动化文献管理工作流,显著提升文献收集与整理效率。

e4f5g6h7的博客 1207

PyTorch-线性回归-拟合多项式

先自己定义一个多项式公式,比如: y=2.70∗x3+3.00∗x2+5.00∗x+0.90y = 2.70 * x^3 + 3.00 * x^2 + 5.00 * x + 0.90y=2.70∗x3+3.00∗x2+5.00∗x+0.90 然后计算出在 xxx 处于区间 [-3, 3] 时,其对应的 yyy 的值: # 定义多项式参数 w = np.array([2.7, 3, 5]) b = np.array([0.9]) # 生成样本数据 x_sample = np.arange(-3, 3, 0.

花开花落,人走茶凉 1429

从.bib到.bbl:手把手教你搞定LaTeX参考文献的完整流程

本文详细介绍了从.bib到.bbl的LaTeX参考文献处理完整流程,包括文献数据库构建、样式选择、主文档配置、编译流程及问题排查。特别针对.bib、.bbl等文件的操作提供了实战解决方案,帮助用户高效管理学术文献引用,适用于各类学术写作场景。

weixin_29292431的博客 286

用友U8库龄分析避坑指南:物料出入库日期计算的5个常见错误

本文深入剖析了在用友U8系统中进行库龄分析时,物料出入库日期计算的五个常见陷阱。从数据源选择、业务类型过滤、计价方式逻辑、期初数据处理到查询性能优化,逐一解析错误根源并提供避坑指南,帮助企业获得准确的库龄数据,有效管理库存与资金风险。

weixin_29209801的博客 457

pytorch实现线性回归_如何用pytorch实现线性回归

pytorch实现线性回归Probably, implementing linear regression with PyTorch is an overkill. This library was made for more complicated stuff like neural networks, complex deep learning architectures, etc. Neve...

weixin_26756255的博客 609

总结-NuerIPS2023-Direct Preference Optimization:Your Language Model is Secretly a Reward Model

对比PPO,DPO的泛化能力更强。

m0_60361484的博客 1609

PyTorch | 手动实现线性回归

本文是关于使用 PyTorch 手动实现一个简单的线性回归的模型 仅使用 Tensor 和 autograd 实现, 适合 PyTorch 入门选手. 文章目录导入所需模块生成数据读取数据集构建模型初始化模型参数定义损失函数和优化算法训练模型个人收获 导入所需模块 import torch import numpy as np import random from IPython import display from matplotlib import pyplot as plt import .

grizzly的博客 1471

8、Windows 部署ollama

一个本地运行大模型的集成框架,目前主要针对主流的LLaMA架构的开源大模型设计,通过将模型权重、配置文件和必要数据封装进由Modelfile定义的包中,从而实现大模型的下载、启动和本地运行的自动化部署及推理流程。此外,Ollama内置了一系列针对大模型运行和推理的优化策略,目前作为一个非常热门的大模型托管平台,已被包括LangChain、Taskweaver等在内的多个热门项目高度集成。

Andy_shenzl的博客 1135

微调大模型如何准备数据集——常用数据集,Alpaca和ShareGPT

在大模型微调中,我们一般使用Alpaca 和 ShareGPT和两种格式的数据集。

Science prince的博客 1097

mseloss pytorch_线性回归模型与pytorch实现

线性回归模型是非常基本的回归模型,其原理比较简单,所以文章仅仅简单介绍,并给出pytorch实现代码。文章分为4个部分:(1)线性回归模型的理论基础(2)网络设计与pytorch实现(3)构建数据与网络训练测试(4)拟合过程可视化1、线性回归模型的理论基础这里简单的线性回归模型视为:y=kx+b,其中x是输入数据,k和b是需要学习的参数,y是网络的预测输出。那么学习的目的就是让网络预测输出尽可能接...

weixin_39920403的博客 700

人员行为规范检测:YOLOv8+C#实现工厂车间安全监控,违规即报警零延迟

该方案通过YOLOv8的装备检测与姿态估计的动作识别,结合C#的实时管控能力,实现了从“被动巡检”到“主动预警”的转变。相比传统人工,违规响应速度提升10倍,全年可减少90%以上的安全隐患。方案已在3家制造企业落地,支持自定义违规规则(如新增“吸烟”“未系安全带”),可根据车间场景灵活扩展。需要完整的模型训练配置文件(含数据集增强脚本)或C#系统源码(视频处理+报警模块)的,评论区扣“SafetyDetect”,可直接获取部署版本~

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1179

自求导实现线性回归与PyTorch张量详解

本文围绕自求导方法实现线性回归算法展开,详细介绍了算法的理论基础、参数初始化、损失函数设计、迭代过程及反向传播求导机制,并通过Python代码实现线性回归模型训练和可视化,直观呈现模型优化轨迹和损失变化。同时,文章深入讲解了PyTorch框架中的tensor概念,解析了tensor的存储结构、数据类型、步长和偏移,重点阐述了tensor连续性与非连续性的区别及其对计算效率的影响,并介绍了contiguous()方法用于解决非连续tensor问题,结合丰富代码示例,帮助读者理解并掌握PyTorch tenso

云云我啊,最喜欢用博客了呢 1288

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Pytorch:通过pytorch实现线性回归

线性回归 Linear Regression 线性回归是分析一个变量与另外一个(多个)变量之间关系的方法 因变量:y 自变量:x 关系:线性 y=wx+b 分析:求解w,b 求解步骤: 1. 确定模型 2. 选择损失函数 3.求解梯度并更新w,b 此题: 1. model:y=wx+b 2. MSE: 3. w = w - LR*w.grad b = b - LR*w.grad 下为代码实现 import torch im...

龙雪的博客 3838

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

上一篇: 双显卡同时显示多个显示屏
下一篇: 使用Pytorch框架实现简单的数据分类(7)
元宇宙MetaAI
博客等级 码龄10年 331粉丝 333原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值