Pytorch深度学习实践--P5：用PyTorch实现线性回归

最新推荐文章于 2024-10-13 16:42:08 发布

原创最新推荐文章于 2024-10-13 16:42:08 发布 · 210 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #pytorch #线性回归

Pytorch深度学习实践专栏收录该内容

2 篇文章

订阅专栏

本文通过一个简单的线性模型实例，展示了如何使用Pytorch进行深度学习实践。代码中创建了一个线性层模型，利用MSELoss作为损失函数，采用SGD优化器进行训练，并最终预测新数据点的输出。

部署运行你感兴趣的模型镜像

刘二大人《Pytorch深度学习实践》B站传送门

import torch

x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[2.0], [4.0], [6.0]])
#x_data和y_data为三行一列的矩阵，即总共有三个数据，每个数据只有一个特征

class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel,self).__init__()
        self.linear = torch.nn.Linear(1,1)
        #(1,1)指输入x和输出y的特征维度，此处数据集中x、y的特征都是一维的
        #该线性层需要学习的参数是w和b，获取w、b的方式是linear.weight和linear.bias

    def forward(self,x):
        y_pred = self.linear(x)
        return y_pred

model = LinearModel()

# criterion = torch.nn.MSELoss(reduction='sum')
criterion = torch.nn.MSELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)

for epoch in range(100):
    y_pred = model(x_data) #forward:predict
    loss = criterion(y_pred,y_data) #forward:loss
    print(epoch,loss.item())

    optimizer.zero_grad()   #将梯度置为零
    loss.backward() #backward:autograd,自动计算梯度
    optimizer.step()    #update参数，即更新w、b的值

print('w = ',model.linear.weight.item())
print('b = ',model.linear.bias.item())

x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print('y_pred = ',y_test.data)

您可能感兴趣的与本文相关的镜像