PyTorch学习之路：多项式回归

最新推荐文章于 2025-04-27 16:02:52 发布

浩比浩比

最新推荐文章于 2025-04-27 16:02:52 发布

阅读量575

点赞数 1

CC 4.0 BY-SA版权

分类专栏： PyTorch学习之路文章标签： Python PyTorch

本文链接：https://blog.youkuaiyun.com/MaybeForever/article/details/88428532

本文基于PyTorch实现多项式回归，通过复现《深度学习入门之PyTorch》中的代码，详细探讨了如何使用Python和PyTorch进行数据拟合。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文代码参考廖星宇《深度学习入门之PyTorch》中的示例代码，手动复现而来，仅供个人使用，侵删。

import torch
import numpy as np
import torch.nn as nn
import torch.optim as optim
from torch.autograd import Variable
import matplotlib.pyplot as plt

#Define Model
class poly_model(nn.Module):
    def __init__(self):
        super(poly_model, self).__init__()
        self.poly = nn.Linear(3, 1)

    def forward(self, x):
        out = self.poly(x)
        return out

#Build features-> a matrix with columns [x,x^2,x^3]
def make_feature(x):
    x= x.unsqueeze(1)
    return torch.cat([x ** i for i in range(1,4)], 1)

#Approximated function
def f(x):
    return x.mm(W_target) + b_target[0]

#Build a batch->(x,f(x)) pair
def get_batch(batch_size=32):
    random = torch.randn(batch_size)
    random = np.sort(random)
    random = torch.Tensor(random)
    x = make_feature(random)
    y = f(x)
    if torch.cuda.is_available():
        return Variable(x).cuda(), Variable(y).cuda()