线性回归的简洁实现

最新推荐文章于 2024-05-21 16:15:30 发布

原创最新推荐文章于 2024-05-21 16:15:30 发布 · 86 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#线性回归 #深度学习 #python

该代码示例展示了如何在PyTorch中构建并训练一个简单的线性回归模型。它使用synthetic_data生成样本，定义了一个Sequential模型，设置了随机权重和偏差，选择了MSELoss作为损失函数，使用SGD优化器进行梯度下降更新，并在3个epochs内进行了训练。

部署运行你感兴趣的模型镜像

参考: 李沐老师

代码如下

import numpy as np
import torch
from torch.utils import data
from d2l import torch as d2l
from torch import nn
true_w = torch.tensor([2,-3.4])
true_b = 4.2
#得到x和y
features,labels = d2l.synthetic_data(true_w,true_b,1000)
#构造一个pyTorch数据迭代器, 获取一个打乱后的数据
def load_array(data_arrays,batch_size,is_train=True):
    dataset = data.TensorDataset(*data_arrays)
    return data.DataLoader(dataset,batch_size,shuffle=is_train)
batch_size = 10
data_iter = load_array((features,labels),batch_size)
#从torch中找一个模型, 需要指定输入的维度与输出的维度, 每个层按照list数组形式放在一起
net = nn.Sequential(nn.Linear(2,1))
#normal代表使用正态分布来替换data的值, data代表往数据中加入的噪音
net[0].weight.data.normal_(0,0.01)
#将b(偏差)设置为0
net[0].bias.data.fill_(0)
#定义损失函数, 均方误差
loss = nn.MSELoss()
#定义反向传播算法, 需要w,b等参数和lr(学习率),反向传播就是优化器
trainer = torch.optim.SGD(net.parameters(),lr=0.2)
num_epochs = 3
for epoch in range(num_epochs):
    for x,y in data_iter:
        l=loss(net(x),y)
        l.backward()#pytorch已经自动做了sum()
        trainer.step()#将模型更新
        trainer.zero_grad()  # 将梯度清零
    l = loss(net(features),labels)
    print("epoch",epoch+1,"loss",float(l))

运行结果如下