pytroch實現線性回歸
pytorch實現線性回歸代碼練習實例,供大傢參考,具體內容如下
歡迎大傢指正,希望可以通過小的練習提升對於pytorch的掌握
# 隨機初始化一個二維數據集,使用朋友torch訓練一個回歸模型 import numpy as np import random import matplotlib.pyplot as plt x = np.arange(20) y = np.array([5*x[i] + random.randint(1,20) for i in range(len(x))]) # random.randint(參數1,參數2)函數返回參數1和參數2之間的任意整數 print('-'*50) # 打印數據集 print(x) print(y) import torch x_train = torch.from_numpy(x).float() y_train = torch.from_numpy(y).float() # model class LinearRegression(torch.nn.Module): def __init__(self): super(LinearRegression, self).__init__() # 輸入與輸出都是一維的 self.linear = torch.nn.Linear(1,1) def forward(self,x): return self.linear(x) # 新建模型,誤差函數,優化器 model = LinearRegression() criterion = torch.nn.MSELoss() optimizer = torch.optim.SGD(model.parameters(),0.001) # 開始訓練 num_epoch = 20 for i in range(num_epoch): input_data = x_train.unsqueeze(1) target = y_train.unsqueeze(1) # unsqueeze(1)在第二維增加一個維度 out = model(input_data) loss = criterion(out,target) optimizer.zero_grad() loss.backward() optimizer.step() print("Eopch:[{}/{},loss:[{:.4f}]".format(i+1,num_epoch,loss.item())) if ((i+1)%2 == 0): predict = model(input_data) plt.plot(x_train.data.numpy(),predict.squeeze(1).data.numpy(),"r") loss = criterion(predict,target) plt.title("Loss:{:.4f}".format(loss.item())) plt.xlabel("X") plt.ylabel("Y") plt.scatter(x_train,y_train) plt.show()
實驗結果:
以上就是本文的全部內容,希望對大傢的學習有所幫助,也希望大傢多多支持WalkonNet。
推薦閱讀:
- None Found