PyTorch 深度学习实践第5讲用PyTorch实现线性回归

Grairain

于 2022-08-19 18:44:30 发布

阅读量164

点赞数

分类专栏： PyTorch 深度学习实践文章标签：深度学习 pytorch 线性回归

本文链接：https://blog.youkuaiyun.com/weixin_45845896/article/details/126293664

版权

PyTorch 深度学习实践专栏收录该内容

9 篇文章

订阅专栏

这个博客展示了如何在PyTorch中实现并训练一个简单的线性模型。通过定义`LinearModel`类，作者使用`torch.nn.Linear`创建了一个线性层，并用均方误差损失函数（MSELoss）和随机梯度下降（SGD）优化器进行模型拟合。经过1000次迭代，模型的权重和偏置得到更新，并预测了当x为4时的y值。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import torch

x_data = torch.tensor([[1.0], [2.0], [3.0]])
y_data = torch.tensor([[2.0], [4.0], [6.0]])

class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__()
        # (1,1)是指输入x和输出y的特征维度，这里数据集中的x和y的特征都是1维的
        # 该线性层需要学习的参数是w和b  获取w/b的方式分别是~linear.weight/linear.bias
        self.linear = torch.nn.Linear(1, 1)
        
    def forward(self, x):
        y_pred = self.linear(x)
        return y_pred
    
model = LinearModel()

# criterion = torch.nn.MSELoss(size_average = False)
criterion = torch.nn.MSELoss(reduction='sum')
optimizer = torch.optim.SGD(model.parameters(), lr = 0.01)

for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print("epoch:", epoch, "loss:", loss.item())
    
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    
print("w:", model.linear.weight.item(), "b:", model.linear.bias.item())
print("when x = 4, y=", model(torch.tensor([[4.0]])).item())