Pytorch深度学习实践-刘二大人-05pytorch实现线性模型

Pytorch的实现流程为：

本节的课上代码为：

import matplotlib.pyplot as plt
import torch

x_data = torch.tensor([[1.0], [2.0], [3.0]])  # 3*1,1指的是维度，3是样本数
y_data = torch.tensor([[2.0], [4.0], [6.0]])  # 3*1
loss_list = []


class LinearMode(torch.nn.Module):
    def __init__(self):
        super(LinearMode, self).__init__()
        self.linear = torch.nn.Linear(1, 1)  # 输入输出的维度是1

    def forward(self, x):
        y_pred = self.linear(x)  #linear继承module，实现了call方法，call方法已经
        return y_pred


model = LinearMode()

criterion = torch.nn.MSELoss(reduction='mean')
optimizer = torch.optim.SGD(model.parameters(), lr=0.04) #lr = 0.01太小，不收敛，可以试试0.04

for epoch in range(1000): #100/1000都可以试试看
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    loss_list.append(loss.item())
    print('epoch:', epoch, 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.data)


plt.plot(loss_list)
plt.ylabel('loss')
plt.show()

        由于数据量比较少，可以体验一下超参数的设置，这里lr=0.04，epoch=1000轮，因此收敛的比较快。结果为：

 

注意一下调用完损失函数的返回值loss依旧是tensor类型，只不过是一个标量