PyTorch深度学习实践05——用PyTorch实现线性回归

整体流程:

  1. 准备数据集
  2. 使用Class构造模型(目的是计算y_hat)
  3. 构造loss和优化器
  4. 设置训练周期(一个训练周期=forward+backward+update);forward目的是计算loss,backward目的是计算梯度grad,update的目的是更新权重w 

PyTorch深度学习实践05——用PyTorch实现线性回归_第1张图片

概念:PyTorch的Affine Model(仿射模型)在PyTorch中也叫linear unit(线性单元)

PyTorch深度学习实践05——用PyTorch实现线性回归_第2张图片

使用PyTorch构造模型的步骤 :

  1. 把模型定义成一个类,且继承自父类nn.Module(因为Module中有很多有用的方法)PyTorch深度学习实践05——用PyTorch实现线性回归_第3张图片
  2. 定义的类中最少需要实现两个函数:__init__()和forward():__init__()中的super必须要有;在nn.Module中已经定义了__call__(),因此实例可以直接被调用。PyTorch深度学习实践05——用PyTorch实现线性回归_第4张图片PyTorch深度学习实践05——用PyTorch实现线性回归_第5张图片PyTorch深度学习实践05——用PyTorch实现线性回归_第6张图片
  3. 构造损失函数和优化器:PyTorch深度学习实践05——用PyTorch实现线性回归_第7张图片
  4. 训练周期:forward(截至到求loss)+backward(loss.backward)+update(step函数)

PyTorch深度学习实践05——用PyTorch实现线性回归_第8张图片

总结:实现线性回归的四步:

PyTorch深度学习实践05——用PyTorch实现线性回归_第9张图片

 课上代码实现:

import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt

x_data = torch.tensor([[1.0], [2.0], [3.0]])
y_data = torch.tensor([[2.0], [4.0], [6.0]])

class LinearModel(nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__()
        self.linear = nn.Linear(1, 1)

    def forward(self, x):
        y_pred = self.linear(x)
        return y_pred

model = LinearModel()

criterion = nn.MSELoss(size_average=False)
optimizer = optim.SGD(model.parameters(), lr= 0.01)

epoch_list = []
loss_list = []

for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss)
    epoch_list.append(epoch)
    loss_list.append(loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

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

x_test = torch.tensor([4.0])
y_test = model(x_test)
print('y_pred = ', y_test.item()) # 如果是y_pred.data又会是什么样呢?

# 绘制loss曲线
plt.plot(epoch_list, loss_list)
plt.xlabel("Epoch")
plt.ylabel("Loss")
plt.show()

你可能感兴趣的:(PyTorch深度学习实践,深度学习,pytorch,线性回归)