本文与《20天吃透Pytorch》有所不同，《20天吃透Pytorch》中是继承之前的模型进行拟合，本文是单独建立网络进行拟合。

代码实现：

import torch
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from torch import nn
import torch.nn.functional as F
from torch.utils.data import Dataset,DataLoader,TensorDataset"""
1.准备数据
"""
n=800   #样本数量#生成测试用的数据集
X = 10*torch.rand([n,2])-5.0    #torch.rand是均匀分布
w0 = torch.tensor([[2.0],[-3.0]])
b0 = torch.tensor([10.0])
Y = X@w0 + b0 + torch.normal(0.0,2.0,size=[n,1])    ## @表示矩阵乘法,增加正态扰动#数据可视化
plt.figure(figsize= (12,5))
ax1 = plt.subplot(121)
ax1.scatter(X[:,0],Y[:,0],c = 'b',label = 'samples')
ax1.legend()    #图例
plt.xlabel("x1")
plt.ylabel("y",rotation = 0)
ax2 = plt.subplot(122)
ax2.scatter(X[:,1],Y[:,0],c = 'g',label = 'samples')
ax2.legend()
plt.xlabel('x2')
plt.ylabel('y',rotation = 0)
plt.show()"""
构建通道
"""ds = TensorDataset(X,Y)
ds_train,ds_valid = torch.utils.data.random_split(ds,[int (n*0.7),n-int(n*0.7)])  #选取总样本的70%为训练数据
dl_train = DataLoader(ds_train,batch_size=10,shuffle=True)
dl_valid = DataLoader(ds_valid,batch_size=10,shuffle=True)"""
2.定义模型
"""class LinearRegression(torch.nn.Module):def __init__(self):super(LinearRegression, self).__init__()self.fc = nn.Linear(2,1)def forward(self,x):x = self.fc(x)return xnet = LinearRegression()
"""
3.训练模型
"""
loss_func = torch.nn.MSELoss()
optimizer= torch.optim.Adam(net.parameters(),lr = 0.01)eporchs = 10
log_step_freq = 20for eporch in range(1,eporchs+1):net.train()loss_sum = 0.0metric_sum = 0.0step = 1for step,(features,labels) in enumerate(dl_train,1):predictions = net(features)loss = loss_func(predictions,labels)optimizer.zero_grad()loss.backward()optimizer.step()w = net.state_dict()["fc.weight"]b = net.state_dict()["fc.bias"]print("step =", step, "loss = ", loss)print("w =", w)print("b =", b)loss_sum += loss.item()"""
结果可视化
"""
w,b = net.state_dict()["fc.weight"],net.state_dict()["fc.bias"]plt.figure(figsize = (12,5))
ax1 = plt.subplot(121)
ax1.scatter(X[:,0],Y[:,0], c = "b",label = "samples")
ax1.plot(X[:,0],w[0,0]*X[:,0]+b[0],"-r",linewidth = 5.0,label = "model")
ax1.legend()
plt.xlabel("x1")
plt.ylabel("y",rotation = 0)ax2 = plt.subplot(122)
ax2.scatter(X[:,1],Y[:,0], c = "g",label = "samples")
ax2.plot(X[:,1],w[0,1]*X[:,1]+b[0],"-r",linewidth = 5.0,label = "model")
ax2.legend()
plt.xlabel("x2")
plt.ylabel("y",rotation = 0)plt.show()

结果展示：

数据部分：

线性回归结果：

Pytorch高阶API示范——线性回归模型相关推荐

Pytorch高阶API示范——DNN二分类模型
代码部分: import numpy as np import pandas as pd from matplotlib import pyplot as plt import torch from ...
【进阶篇】全流程学习《20天掌握Pytorch实战》纪实 | Day10 | 高阶API示范
速成pytorch学习——4天中阶API示范
使用Pytorch的中阶API实现线性回归模型和和DNN二分类模型. Pytorch的中阶API主要包括各种模型层,损失函数,优化器,数据管道等等. 一,线性回归模型 1,准备数据 import nu ...
TensorFlow高阶 API: keras教程-使用tf.keras搭建mnist手写数字识别网络
TensorFlow高阶 API:keras教程-使用tf.keras搭建mnist手写数字识别网络目录 TensorFlow高阶 API:keras教程-使用tf.keras搭建mnist手写数字 ...
华为昇思高阶API套件迎来全新升级！解决无人驾驶疑难杂症真得靠它！
点击蓝字 MindSpore 关注我们对于程序员来说,拥有一款低门槛.易操作的深度学习开发工具包,可以说赢在了起跑线!来自华为的全场景AI框架昇思MindSpore在历经短短一年多时间的迭代,为专业 ...
【进阶篇】全流程学习《20天掌握Pytorch实战》纪实 | Day09 | 中阶API示范
【进阶篇】全流程学习《20天掌握Pytorch实战》纪实 | Day08 | 低阶API示范
tensorflow使用高阶api导致训练不收敛问题
摘要本文将低级api实现的tensorflow网络移植到高级api上遇到的loss值不变和训练结果不收敛问题引言 tensorflow版本更新很快,猛一回头发现已经推出更高级的api了主题 te ...
WebDriver高阶API（8)
17.测试HTML5语言实现的视频播放器 #encoding=utf-8 import unittest import time from selenium import webdriverclass ...

Pytorch高阶API示范——线性回归模型

代码实现：

结果展示：

数据部分：

线性回归结果：

Pytorch高阶API示范——线性回归模型相关推荐

最新文章

热门文章