步骤

准备步骤：
1. 创建数据集
2. 设置超参数
3. 创建模型(函数)
4. 选择损失函数
5. 选择优化器

训练步骤：
6. 通过模型(函数)前向传播
7. 计算损失
8. 对超参数求梯度
9. 使用优化器利用梯度调整超参数

测试步骤：
10. 创建测试集
11. 通过模型得到预测结果
12. 画出散点图和曲线图

Tensorflow2代码

import tensorflow as tf
import numpy as np
from tensorflow.keras import Model
from tensorflow.keras.losses import MeanSquaredLogarithmicError
from tensorflow.keras.optimizers import SGD
import matplotlib.pyplot as plt#初始化参数
x=tf.reshape(tf.range(0,15,dtype=tf.float32),[15,1])
y=3*x+tf.constant(np.random.randn(15,1).astype(np.float32))+4
w=tf.Variable(np.random.rand(),dtype=tf.float32)
b=tf.Variable(np.random.rand(),dtype=tf.float32)print('x=',np.reshape(x,[1,15]),'\ny=',np.reshape(y,[1,15]),'\nw=',w,'\nb=',b)#创建模型
class My_model(Model):def __init__(self):super().__init__()# 构建一个线性层def linear(self,x):return w*x+bdef call(self,x):x=self.linear(x)return x#定义超参数
epoch=1500 #迭代次数
Ir=0.01 #学习率
model=My_model() #初始化模型
optimizer=SGD(learning_rate=Ir) #初始化优化器
losser=MeanSquaredLogarithmicError() #初始化损失函数
all_loss=[] #用于存储lossprint('--------------训练------------------------------------------------------------------')for i in range(1,epoch+1):with tf.GradientTape() as tape:cy = model(x)  # 前向传播,获得预测值loss = losser(cy, y) #计算lossgrad=tape.gradient(loss,[w,b]) #求出w，b的梯度optimizer.apply_gradients(zip(grad,[w,b]))if i%10==0:all_loss.append(loss) #添加lossprint('epoch:',i,'loss:',loss) #打印loss值print('w:',w,'\nb:',b)
print('--------------测试------------------------------------------------------------------')
#画图
plt.rcParams['font.sans-serif']=['SimHei'] #载入字体
px=tf.reshape(tf.range(0,15,0.1,dtype=tf.float32),[150,1])
py=model(px)
plt.subplot(121)
plt.title('结果图')
plt.scatter(x,y)
plt.plot(px.numpy(),py.numpy())
plt.subplot(122)
plt.title('loss图')
plt.plot(px.numpy(),all_loss)
plt.show()

效果

效果如图：
随着迭代次数的增加，loss逐渐减小。

Pytorch代码

import torch as th
from torch.nn import Module,Linear,MSELoss
from torch.optim import SGD
import matplotlib.pyplot as plt#初始化参数
x=th.arange(0,15,1,dtype=th.float32).view(15,1)
y=3*x+th.randn(15,1,dtype=th.float32)+4
w=th.rand(1)
b=th.rand(1)
print('x=',x.view(1,15),'\ny=',y.view(1,15),'\nw=',w,'\nb=',b)
print('--------------训练------------------------------------------------------------------')
#创建模型
class My_model(Module):def __init__(self,input_shape,output_shape):super().__init__()self.linear=Linear(input_shape,output_shape)def forward(self,x):x=self.linear(x)return x#定义超参数
epoch=1500 #迭代次数
Ir=0.01 #学习率
model=My_model(1,1) #初始化模型
optimizer=SGD(model.parameters(),Ir) #初始化优化器
losser=MSELoss() #初始化损失函数
all_loss=[] #用于存储lossfor i in range(1,epoch+1):optimizer.zero_grad() #将优化器的梯度清零，防止叠加cy=model(x)  #前向传播,获得预测值loss=losser(cy,y)loss.backward() #计算loss和反向传播optimizer.step() #更新权重if i%10==0:all_loss.append(loss)print('epoch:',i,'loss:',loss) #打印loss值print(optimizer.state)
print('--------------测试------------------------------------------------------------------')
#画图
plt.rcParams['font.sans-serif']=['SimHei'] #载入字体
px=th.arange(0,15,0.1,dtype=th.float32,requires_grad=False).view(150,1)
py=model(px)
plt.subplot(121)
plt.title('结果图')
plt.scatter(x,y)
plt.plot(px.detach().numpy(),py.detach().numpy())
plt.subplot(122)
plt.title('loss图')
plt.plot(px.detach().numpy(),all_loss)
plt.show()

效果

效果如下：
随着迭代次数的增加，loss逐渐减小。

使用Tensorflow2和Pytorch实现线性回归相关推荐

pytorch:一维线性回归（二）
首先,这是对上一篇文章(pytorch:一维线性回归(一))的改进. 其次,为什么想要改进上一篇文章嘞? 答案:我使用这个写好的模型后,想着既然参数已经训练出来了,那么预测的时候,就只需要直接根据参数 ...
（pytorch-深度学习系列）pytorch实现线性回归
pytorch实现线性回归 1. 实现线性回归前的准备线性回归输出是一个连续值,因此适用于回归问题.回归问题在实际中很常见,如预测房屋价格.气温.销售额等连续值的问题. 与回归问题不同,分类问题中模 ...
深度学习day05 用Pytorch实现线性回归
深度学习day05 用Pytorch实现线性回归代码模板四个主要流程代码中的一些重点其他的优化器代码模板 import torch# 步骤一:Prepare dataset # x,y是矩阵 ...
L05_用pytorch实现线性回归
用pytorch实现线性回归 0.导入所需要的库 import torch 1.准备数据 x_data = torch.Tensor([[1],[2],[3]]) y_data = torch.Ten ...
深度学习练手项目（二）-----利用PyTorch进行线性回归
前言深度学习并没有想象的那么难,甚至比有些传统的机器学习更简单.所用到的数学知识也不需要特别的高深.这篇文章将利用PyTorch来实现线性回归这个经典的模型. 一.线性回归理论线性回归时利用数理统 ...
从零开始学Pytorch之线性回归
线性回归主要内容包括: 线性回归的基本要素线性回归模型从零开始的实现线性回归模型使用pytorch的简洁实现线性回归的基本要素模型为了简单起见,这里我们假设价格只取决于房屋状况的两个因素, ...
pytorch 实现线性回归
实现线性回归线性回归是机器学习入门知识,应用十分广泛.线性回归利用数理统计中回归分析,来确定两种或两种以上变量间相互依赖的定量关系的,其表达形式为 y = w x + b + e y = wx+b+ ...
PyTorch基础-线性回归以及非线性回归-02
线性回归 import torch import numpy as np import matplotlib.pyplot as plt %matplotlib inline from torch i ...
pytorch:一维线性回归(一)
# -- coding:utf-8 -- import torch import numpy as np from torch import nn, optim import matplotlib.p ...

使用Tensorflow2和Pytorch实现线性回归

使用Tensorflow2和Pytorch实现线性回归

步骤

Tensorflow2代码

效果

Pytorch代码

效果

使用Tensorflow2和Pytorch实现线性回归相关推荐

最新文章

热门文章