Pytorch学习（5）-用Variable实现线性回归

利用autograd/Variable实现线性回归，体会autograd的便捷之处。

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


# 为了在不同的计算机上运行时下面的输出一致，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，加上了一些噪声
    x = t.rand(batch_size, 1) * 20
    y = x * 2 + (1 + t.randn(batch_size, 1)) * 3
    return x, y


# 来看看产生的x-y分布是什么样的
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)

# 学习率
lr = 0.001

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)
        y = x.mm(w.data.long()) + b.data.expand_as(x)
        # predicted
        plt.plot(x.numpy(), y.numpy())

        x2, y2 = get_fake_data(batch_size=20)
        # true data
        plt.scatter(x2.numpy(), y2.numpy())

        plt.xlim(0, 20)
        plt.ylim(0, 41)
        plt.show()
        plt.pause(0.5)
print(w.data.squeeze().item(), b.data.squeeze().item)

输出：

1.8774464130401611 2.944983959197998

          用autograd实现的线性回归最大的不同点就在于利用autograd不需要手动计算梯度，可以自动微分。需要注意的是在每次反向传播之前记得先把梯度清零。