手动实现线性回归

最新推荐文章于 2023-03-16 11:12:49 发布

/* 杠到底 */

最新推荐文章于 2023-03-16 11:12:49 发布

阅读量386

点赞数

分类专栏：深度学习-pytorch

本文链接：https://blog.youkuaiyun.com/weixin_44469416/article/details/111295686

版权

深度学习-pytorch 专栏收录该内容

10 篇文章

订阅专栏

本文介绍了如何使用PyTorch从头开始手动实现线性回归。通过构建模型y=3x+0.8来生成数据，并详细阐述了数据准备、预测值计算、损失函数与反向传播以及参数更新的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

我们自定义数据，使用torch实现线性回归。
假设我们的基础模型是y=wb+c，其中，w，b均为参数；我们是用y=3x+0.8
来构造数据x,y;所以最后求出的w，b应该接近3,0.8.
1.准备数据
2.计算预测值
3.计算损失，把参数梯度设置为0，进行反向传播。
4.更新参数

import torch
import matplotlib.pyplot as plt
learing_rate=0.01
#1.准备数据
#y=3x+0.8
x=torch.rand([500,1])#准备500个0~1之间的数据
y_true=x*3+0.8

#2.通过模型计算y_predict
w=torch.rand([1,1],requires_grad=True)
b=torch.tensor(0,requires_grad=True,dtype=torch.float32)


#
#4.通过循环，反向传播，更新参数

for i in range(2000):
     # 3. 计算Loss
     y_predict = torch.matmul(x, w) + b  # 矩阵相乘
     loss = (y_true - y_predict).pow(2).mean()  # 均方误差
     if w.grad is not None:
         w.grad.data.zero_()
     if b.grad is not None:
         b.grad.data.zero_()

     loss.backward() #反向传播
     w.data=w.data-learing_rate* w.grad #更新w，b
     b.data=b.data-learing_rate* b.grad
     if i%50==0:
           print("w,b,loss",w.item(),b.item(),loss.item())
#画图
plt.figure(figsize=(20,8))
plt.scatter(x.numpy().reshape(-1),y_true.numpy().reshape(-1))
y_predict = torch.matmul(x, w) + b
plt.plot(x.numpy().reshape(-1),y_predict.detach().numpy().reshape(-1))
plt.show()