线性回归的简洁实现（复现）——深度学习

再坚持一下！！！

于 2023-10-25 19:25:06 发布

阅读量74

点赞数

文章标签：线性回归深度学习算法

本文链接：https://blog.youkuaiyun.com/m0_53713033/article/details/134041943

版权

本文介绍了使用Python的PyTorch库进行线性回归模型的实现，包括数据预处理、定义网络结构、选择MSE损失函数和SGD优化器，以及演示了训练过程中的迭代和损失计算。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

#自学中，有误欢迎交流！！！（记录我的学习过程）

#该篇是上篇的续集

import torch
import numpy as np
import torch.utils.data as Data
import torch.nn as nn
from torch import optim

len=2#二维数据
num_example=1000#样本数1000
true_w=torch.tensor([2,-3.4])
true_b=4.2

features=torch.normal(0,0.01,(num_example,len))
labels= true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b#y=xw+b
labels+=torch.tensor(np.random.normal(0,0.01,size=labels.size()))

batch_size=10
dataset=Data.TensorDataset(features,labels)
data_iter=Data.DataLoader(dataset,batch_size,shuffle=True)
for X,y in data_iter:
    print(X,'\n',y)
    break

#网络模型
net=nn.Sequential()#Sequential是一个有序的容器
net=nn.Linear(len,1)#标量输出
#传参
from torch.nn import init
init.normal_(true_w,mean=0,std=0.01)
init.constant_(torch.tensor(true_b),val=0.0)

#损失函数
loss=nn.MSELoss()
#优化算法
#net.parameters()
optimizer=optim.SGD(net.parameters(),lr=0.03)

#for param in net.parameters():
#print(param)

#训练
num_epochs=3
for epoch in range(0,num_epochs):
    for X,y in data_iter:
        #with torch.no_grad():
        l=loss(net(X),y.view(-1,1))
        optimizer.zero_grad()
        l.backward()
        optimizer.step()
    print('epoch %d,loss: %f' % (epoch+1,l))