Pytorch 03 线性回归实例

import torch
from torch.nn import Linear, Module, MSELoss
from torch.optim import SGD
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns


# 定义一个线性函数,这里使用y=5x+7
x = np.linspace(0, 20, 500)
y = 5*x + 7
plt.plot(x, y)

# 生成一些随机的点，作为训练数据
x = np.random.rand(256)
noise = np.random.randn(256) / 4
y = x * 5 + 7 + noise
df = pd.DataFrame()
df['x'] = x
df['y'] = y

# 显示下生成数据
sns.lmplot(x='x', y='y', data=df)
plt.show()

# 随机生成了一些点，下面将使用PyTorch建立一个线性的模型来对其进行拟合，这就是所说的训练的过程
# 其中参数(1, 1)代表输入输出的特征(feature)数量都是1. Linear 模型的表达式是y=wx+b,其中w代表权重,b代表偏置
model = Linear(1, 1)

# 损失函数我们使用均方损失函数：MSELoss
criterion = MSELoss()

# 优化器选择最常见的优化方法SGD，就是每一次迭代计算 mini-batch 的梯度，然后对参数进行更新，学习率 0.01
optim = SGD(model.parameters(), lr=0.01)

# 训练3000次
epochs = 3000

# 准备训练数据: x_train, y_train 的形状是 (256, 1), 代表 mini-batch 大小为256, feature 为1. astype('float32') 是为了下一步可以直接转换为 torch.float.
x_train = x.reshape(-1, 1).astype('float32')
y_train = y.reshape(-1, 1).astype('float32')


# 开始训练
for i in range(epochs):
    # 整理输入和输出的数据，这里输入和输出一定要是torch的Tensor类型
    inputs = torch.from_numpy(x_train)
    labels = torch.from_numpy(y_train)
    # 使用模型进行预测
    outputs = model(inputs)
    # 梯度置0，否则会累加
    optim.zero_grad()
    # 计算损失
    loss = criterion(outputs, labels)
    # 反向传播
    loss.backward()
    # 使用优化器默认方法优化
    optim.step()
    if (i%100==0):
        # 每 100次打印一下损失函数，看看效果
        print('epoch {}, loss {:1.4f}'.format(i, loss.data.item()))


# 训练完成后看训练的成果是多少.model.parameters()提取模型参数.w,b是需要训练的模型参数m期望的数据w=5，b=7
[w, b] = model.parameters()
print(w.item(), b.item())

# 可视化一下我们的模型
predicted = model.forward(torch.from_numpy(x_train)).data.numpy()
plt.plot(x_train, y_train, 'go', label = 'data', alpha = 0.3)
plt.plot(x_train, predicted, label = 'predicted', alpha = 1)
plt.legend()
plt.show()

从左到右分别对应生成原直线，随机生成的数据点，预测的直线

这是训练后的w、b的对应值：