用Variable实现线性回归

最新推荐文章于 2022-04-22 09:09:35 发布

原创最新推荐文章于 2022-04-22 09:09:35 发布 · 373 阅读

0 ·

CC 4.0 BY-SA版权

python学习专栏收录该内容

41 篇文章

订阅专栏

本文通过使用PyTorch框架实现线性回归，从数据生成到模型训练，详细展示了如何利用自动梯度和优化器进行参数更新。通过动态绘图观察训练过程，最终达到良好的拟合效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import torch as t
from torch.autograd import Variable as V
import matplotlib.pyplot as plt
from IPython import display

#设置随机数种子
t.manual_seed(1000)
def get_fake_data(batch_size=8):
    '''产生随机数据：y=x*2+3,加上一些噪声'''
    x=t.rand(batch_size,1)*20
    y=x*2+(1+t.randn(batch_size,1))*3
    return x,y
x,y=get_fake_data()
plt.scatter(x.squeeze().numpy(),y.squeeze().numpy())
plt.show()
#随机初始化参数
w=V(t.rand(1,1),requires_grad=True)
b=V(t.zeros(1,1),requires_grad=True)
lr=0.001 #学习率
for ii in range(8000):
    x,y=get_fake_data()
    x,y=V(x),V(y)
    #forward: 计算loss
    y_pred=x.mm(w)+b.expand_as(y)
    loss=0.5*(y_pred -y)**2
    loss=loss.sum()
    #backward:自动计算梯度
    loss.backward()
    #更新参数
    w.data.sub_(lr*w.grad.data)
    b.data.sub_(lr*b.grad.data)
    #梯度清零
    w.grad.data.zero_()
    b.grad.data.zero_()
    if ii%1000 ==0:
        #画图
        display.clear_output(wait=True)
        x=t.arange(0,20).view(-1,1)
        n=b.data.expand_as(x)
        x=t.tensor(x,dtype=t.float32)
        y=x.mm(w.data.type(t.FloatTensor))+n
        plt.plot(x.numpy(),y.numpy()) #predicted
        x2,y2=get_fake_data(batch_size=20)
        plt.scatter(x2.numpy(),y2.numpy()) #true data
        plt.xlim(0,20)
        plt.ylim(0,41)
        plt.show()
        plt.pause(0.5)
print(w.data.squeeze().item(),b.data.squeeze().item())