PyTorch实现线性回归

最新推荐文章于 2024-08-01 21:08:58 发布

ZZ58

最新推荐文章于 2024-08-01 21:08:58 发布

阅读量124

点赞数

CC 4.0 BY-SA版权

分类专栏： PyTorch 文章标签：深度学习 python

本文链接：https://blog.youkuaiyun.com/CheatMyself/article/details/116561973

PyTorch 专栏收录该内容

4 篇文章

订阅专栏

本文通过使用PyTorch实现线性回归模型，详细介绍了从数据准备到模型训练的全过程，并利用matplotlib可视化预测结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import torch
import torch.nn as nn
from torch.optim import SGD
import matplotlib.pyplot as plt
#0.准备数据
x = torch.rand([500,1])
y_true = 3*x + 0.8
#1.定义模型
class MyLinear(nn.Module):
    def __init__(self):
        super(MyLinear, self).__init__()
        self.linear = nn.Linear(1,1)
    def forward(self,x):
        out = self.linear(x)
        return out

#2.实例化模型，优化器实例化，loss实例化
my_linear = MyLinear()
optimizer = SGD(my_linear.parameters(),0.001)
loss_fn = nn.MSELoss()
#3.循环，进行梯度下降，参数的更新
for i in range(30000):
    y_predict = my_linear(x)
    loss = loss_fn(y_predict,y_true)
    optimizer.zero_grad()
    loss.backward()
    #参数更新
    optimizer.step()
    if i%100 == 0:
        params = list(my_linear.parameters())
        print(loss.item(),params[0].item(),params[1].item())
my_linear.eval()
predict = my_linear(x)
predict = predict.data.numpy()
plt.scatter(x.data.numpy(),y_true.data.numpy(),c='r')
plt.plot(x.data.numpy(),predict)
plt.show()