pytorch线性回归（笔记一）

代码部分：

import numpy as np
import torch
import matplotlib.pyplot as plt
from torch import nn,optim
from torch.autograd import Variablex_data=np.random.rand(100)#数组中加入在[0,1]之间均匀分布的随机样本。构建x的值
noise=np.random.normal(0,0.01,x_data.shape)#生成高斯分布的概率密度随机数
y_data=x_data*0.01+0.2+noise #构建y的值
plt.scatter(x_data,y_data)#装载数据，看看坐标系下的数据分布
plt.show() #看图#把数据变成俩维度的
x_data=np.reshape(x_data,(-1,1))
y_data=np.reshape(y_data,(-1,1))#把俩维度的变成一个tensor
x_data=torch.FloatTensor(x_data)
y_data=torch.FloatTensor(y_data)#tensor变成变量
input=Variable(x_data)#表示输入
target=Variable(y_data)#表示输出#构建神经网络的模型
class LinearRegression(nn.Module):def __init__(self):#定义网络结构super(LinearRegression, self).__init__()#父类的初始化self.fc=nn.Linear(1,1)#线性回归，表示输入一个神经元，输出一个神经元，全连接层def forward(self,x):#定义网络计算，表示前向传递，pytorch默认做了后向传递out=self.fc(x)  #表示把x值传给全连接层，返回一个y值，然后returnreturn out#定义模型（实例化模型）
model=LinearRegression()
#定义代价函数（均方差二次函数）
mes_loss =nn.MSELoss()
#定义优化器（随即梯度下降法）
optimizer=optim.SGD(model.parameters(),lr=0.1)#lr表示学习率，model.parameters()表示把参数传递进优化器#如何查看参数for name,parameters in model.named_parameters():print("name:{},param:{}".format(name,parameters))for i in range(1001):#训练1001次out=model(input)  #把输入传递进去#计算loss损失函数loss=mes_loss(out,target) #根据输入和输出计算损失#梯度清零optimizer.zero_grad() #先把梯度清零，防止缓存#计算梯度loss.backward()  #计算梯度#修改权值optimizer.step()  #根据梯度，修改w和b的值if i%200 == 0:  #每训练200次就打印一次损失函数print(i,loss.item())y_pred=model(input) #输入模型，得到预测值
plt.scatter(x_data,y_data) #装载训练数据
plt.plot(x_data,y_pred.data.numpy(),'-r',lw=3)#绘制预测数据图形，红色
plt.show()

F:\开发工具\pythonProject\tools\venv\Scripts\python.exe F:/开发工具/pythonProject/tools/bys/pychartools.py
name:fc.weight,param:Parameter containing:
tensor([[0.9746]], requires_grad=True)
name:fc.bias,param:Parameter containing:
tensor([0.2897], requires_grad=True)Process finished with exit code 0

fc.bias表示截取和偏置，fc.weight表示斜率

结果：

0 0.8948118686676025
200 0.0001185736691695638
400 0.00010005112562794238
600 0.00010000772454077378
800 0.00010000762267736718
1000 0.00010000763722928241

初始值是0.8948118686676025，经过一次次的训练，斜率约来越小，最后变成0.00010000763722928241

最终结果：

pytorch线性回归（笔记一）相关推荐

【从线性回归到卷积神经网络CNN 循环神经网络RNN Pytorch 学习笔记目录整合源码解读 B站刘二大人绪论（0/10）】
深度学习 Pytorch 学习笔记目录整合数学推导与源码详解 B站刘二大人目录传送门: 线性模型 Linear-Model 数学原理分析以及源码详解深度学习 Pytorch笔记 B站刘二大人( ...
深度学习入门之PyTorch学习笔记：卷积神经网络
深度学习入门之PyTorch学习笔记绪论 1 深度学习介绍 2 深度学习框架 3 多层全连接网络 4 卷积神经网络 4.1 主要任务及起源 4.2 卷积神经网络的原理和结构 4.2.1 卷积层 1. ...
深度学习入门之PyTorch学习笔记：多层全连接网络
深度学习入门之PyTorch学习笔记绪论 1 深度学习介绍 2 深度学习框架 3 多层全连接网络 3.1 PyTorch基础 3.2 线性模型 3.2.1 问题介绍 3.2.2 一维线性回归 3.2 ...
深度学习入门之PyTorch学习笔记：深度学习框架
深度学习入门之PyTorch学习笔记绪论 1 深度学习介绍 2 深度学习框架 2.1 深度学习框架介绍 2.1.1 TensorFlow 2.1.2 Caffe 2.1.3 Theano 2.1.4 ...
深度学习入门之PyTorch学习笔记：深度学习介绍
深度学习入门之PyTorch学习笔记:深度学习介绍绪论 1 深度学习介绍 1.1 人工智能 1.2 数据挖掘.机器学习.深度学习 1.2.1 数据挖掘 1.2.2 机器学习 1.2.3 深度学习第 ...
深度学习入门之PyTorch学习笔记
深度学习入门之PyTorch学习笔记绪论 1 深度学习介绍 2 深度学习框架 3 多层全连接网络 4 卷积神经网络 5 循环神经网络 6 生成对抗网络 7 深度学习实战参考资料绪论深度学习如今 ...
PyTorch学习笔记2：nn.Module、优化器、模型的保存和加载、TensorBoard
文章目录一.nn.Module 1.1 nn.Module的调用 1.2 线性回归的实现二.损失函数三.优化器 3.1.1 SGD优化器 3.1.2 Adagrad优化器 3.2 分层学习率 3 ...
PyTorch 学习笔记（六）：PyTorch hook 和关于 PyTorch backward 过程的理解 call
您的位置首页 PyTorch 学习笔记系列 PyTorch 学习笔记(六):PyTorch hook 和关于 PyTorch backward 过程的理解发布: 2017年8月4日 7,195阅读 ...
pytorch学习笔记（二）：gradien
pytorch学习笔记(二):gradient 2017年01月21日 11:15:45 阅读数:17030
PyTorch学习笔记(二)——回归
PyTorch学习笔记(二)--回归本文主要是用PyTorch来实现一个简单的回归任务. 编辑器:spyder 1.引入相应的包及生成伪数据 import torch import torch.nn ...

pytorch线性回归（笔记一）

pytorch线性回归（笔记一）相关推荐

最新文章

热门文章