torch实现一个简单的线性回归

torch实现一个简单的线性回归，方程为ｙ=2x+10( y=wx+b), 回归的过程也就是求w和b．最后的的演示可以看到模型训练完成后，w=1.9764  ， b=10.4458，已经很接近真实的参数．

１．模型

使用torch, 建立线性方程的模型为：y=torch.matmul(x,self.weigth)+self.bias

import os
import sys
import math

import torch
import  torch.nn as nn


class MyLayer(nn.Module):
    
    def __init__(self,input_f,output_f,bias=True):
        super(MyLayer,self).__init__()
        self.input_f=input_f
        self.output_f=output_f
        self.weigth=nn.Parameter(torch.Tensor(input_f))
        self.bias=nn.Parameter(torch.Tensor(input_f))
        
    
    def forward(self,x):
        y=torch.matmul(x, self.weigth)+self.bias
        print(self.weigth, self.bias) 
        return y

2.　模型训练

构造２０００个数据对（ｘ和y）,其中ｙ是根据ｘ和线性方程计算得到，同时附加了一些噪声，这里容易出错的点的数据维度及数据格式一致性的问题．

import os
import sys
import math
import random

import torch
import  torch.nn as nn

from utils.layer import MyLayer

N,D_in,D_out= 2000,1,1

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel,self).__init__()
        self.my_layer= MyLayer(D_in,D_out)
    
    def forward(self,x):
        y = self.my_layer(x) 
        return y           

model=MyModel()
print(model)

x=[random.uniform(1,10) for x in range(2000)]
y_delt=[random.uniform(0,1) for i in range(2000)] 
y=[2*i+10+j for i,j in zip (x,y_delt)]

x=torch.FloatTensor(x)
y=torch.FloatTensor(y)
      
loss_fn = nn.MSELoss(reduction="mean")
# loss_fn = nn.MSELoss(reduction="sum")

learning_rate=5e-2
optimizer=torch.optim.Adam(model.parameters(), lr=learning_rate)

for t in range(N):
    y_pred=model(torch.FloatTensor(x[t]).unsqueeze(dim=0))
    loss=loss_fn(y_pred, y[t])
    print(f"step {t}:  {loss}")
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

结果：