pytorch实现线性回归的方法 - 行业资讯 - 肥雀云

　　介绍

这篇文章主要介绍”pytorch实现线性回归的方法”,在日常操作中,相信很多人在pytorch实现线性回归的方法问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答“pytorch实现线性回归的方法”的疑惑有所帮助!接下来,请跟着小编一起来学习吧!

线性回归都是包括以下几个步骤:定义模型,选择损失函数,选择优化函数,,训练数据,测试

import 火炬　　import matplotlib.pyplot as plt 　　#,构建数据集　　x_data=https://www.yisu.com/zixun/torch.Tensor ([[1.0], [2.0], [3.0], [4.0], [5.0], [6.0]]) 　　y_data=torch.Tensor ([[2.0], [4.0], [6.0], [8.0], [10.0], [12.0]]) 　　#定义模型　　类LinearModel (torch.nn.Module): 　　def __init__(自我): 　　超级(LinearModel自我). __init__ () 　　自我。线性=torch.nn.Linear(1,1) #表示输入输出都只有一层,相当于前向传播中的函数模型,因为我们一般都不知道函数是什么形式的　　　　def向前(自我,x): 　　y_pred=self.linear (x) 　　返回y_pred 　　模型=LinearModel () 　　#使用均方误差作为损失函数　　标准=torch.nn。MSELoss (size_average=False) 　　#使用梯度下降作为优化SGD 　　#从下面几种优化器的生成结果图像可以看的出,SGD和ASGD效果最好,因为他们的图像收敛速度最快　　优化器=torch.optim.SGD (model.parameters (), lr=0.01) 　　# ASGD 　　#优化器=torch.optim.ASGD (model.parameters (), lr=0.01) 　　#优化器=torch.optim.Adagrad (model.parameters (), lr=0.01) 　　#优化器=torch.optim.RMSprop (model.parameters (), lr=0.01) 　　#优化器=torch.optim.Adamax (model.parameters (), lr=0.01) 　　#训练　　epoch_list=[] 　　loss_list=[] 　　时代的范围(100): 　　y_pred=模型(x_data) 　　损失=标准(y_pred y_data) 　　epoch_list.append(时代) 　　loss_list.append (loss.item ()) 　　打印(时代,loss.item ()) 　　　　optimizer.zero_grad() #梯度归零　　loss.backward() #反向传播　　optimizer.step() #更新参数　　　　打印(“w=", model.linear.weight.item ()) 　　打印(" b=" model.linear.bias.item ()) 　　　　x_test=torch.Tensor ([[7.0]]) 　　y_test=模型(x_test) 　　打印(“y_pred=", y_test.data) 　　　　plt。情节(epoch_list loss_list) 　　plt.xlabel(“时代”) 　　plt.ylabel (“loss_val”) 　　plt.show ()

使用SGD优化器图像:,,,,,,,,,,,,,,,,,,,,,,,,,,,,

pytorch实现线性回归的方法