Pytorch реализует линейную регрессию

машинное обучение 
import torch
from torch import nn

# 第一步  准备数据集
# x,y是矩阵，3行1列 也就是说总共有3个数据，每个数据只有1个特征
x_data = torch.tensor([[1.0], [2.0], [3.0]])
y_data = torch.tensor([[2.0], [4.0], [6.0]])



# 第二步  设计数据模型
# Module构造出来的对象会自动根据计算图实现backward()操作
class LinearModel(torch.nn.Module):
    def __init__(self):
        # 调用父类的init
        super(LinearModel, self).__init__()

        # 主要是为了构造对象，输入了(1,1)维度的初始值，
        # Linear(1, 1, bias)  bias用于设定是否加上b这个参数
        # 会自动进行backward()反向传播
        # Linear大概就是执行y = w * x + b
        self.linear = torch.nn.Linear(1, 1)


    # 这里的forward把父类Module中的forward覆盖了，可以通过__call__魔术函数的形式调用
    def forward(self, x):
        # 调用了这个类的linear属性
        # __call__魔术函数，直接拿实例化的对象作为方法名去调用类内的__call__函数
        y_pred = self.linear(x)
        return y_pred

# 实例化class LinearModel
model = LinearModel()



# 第三步  构造损失函数 和  训练器（优化器）
# MSELoss继承自nn下的Module
# 参数size_average = True 损失是否求均值, reduce = True 是否降维
criterion = torch.nn.MSELoss(reduction = 'sum')


'''
 pytorch提供的优化器----不同优化器降低的损失是不同的
 
 torch.optim.-----
    Adgrad
    Adam
    Adamax
    ASGD
    LBFGS
    RMSprop
    Rprop
    SGD
'''

# 优化器 不会构建计算图
# optimizer是为了更新梯度
# lr 学习率
# model.parameters()自动完成参数的初始化操作,找到需要优化的权重
optimizer = torch.optim.SGD(model.parameters(), lr = 0.01)




# 第四步 训练循环
# 训练过程 training cycle
for epoch in range(100):
    '''
    y_hat  --->   loss  --->  优化器梯度归零  --->  backward  --->  优化器更新参数
    '''

    # 利用__call__调用实现了forward(x_data)
    y_pred = model(x_data)

    # 计算损失
    loss = criterion(y_pred, y_data)  # forward: loss
    # print时调用loss 会调用一个___str___()函数，所以不会产生计算图
    print(epoch, loss.item())

    # 梯度归零
    optimizer.zero_grad()
    loss.backward()  # backward: autograd，自动计算梯度
    optimizer.step()  # update 参数，即更新w和b的值

print('w = ', model.linear.weight.item())
print('b = ', model.linear.bias.item())



# 第五步 测试
# 测试模型
x_test = torch.tensor([[4.0]])
y_test = model(x_test)
print('y_pred = ', y_test.data)
Категории