线性回归（pytorch实现）

导包

import os # 导入标准库，利用其中的API（操作系统接口）
os.environ['KMP_DUPLICATE_LIB_OK']='True' # 设置选项允许重复加载动态链接库。os.environ表示字符串环境的mapping对象。
import numpy as np  # numpy是python中的数值数学扩展包，支持大维度的数组和矩阵计算，也针对数组运算提供大量的数学函数库
import matplotlib.pyplot as plt # Matplotlib是Python及NumPy的可视化操作界面。
import torch
import torch.nn as nn  #神经网络包
import torch.optim as optim # 优化包
from torch.autograd import Variable  #可自动求导的变量Variable

输入数据

x_train = np.array([[3.3], [4.4], [5.5], [6.71], [6.93], [4.168],
                    [9.779], [6.182],[7.59], [2.167], [7.042],
                    [10.791], [5.313], [7.997], [3.1]], dtype=np.float32)
y_train = np.array([[1.7], [2.76], [2.09], [3.19], [1.694], [1.573],
                    [3.366], [2.596], [2.53], [1.221], [2.827],
                    [3.465], [1.65], [2.904], [1.3]], dtype=np.float32)
x_train = torch.from_numpy(x_train)  # 转化成Pytorch中的处理单元Tensor类型
y_train = torch.from_numpy(y_train)

建立模型

#继承pytorch提供的nn.Module()类。通过把nn.Linear()绑定到类实例属性，以及实现forward（）方法实现前向传播
class LinearRegression(nn.Module): # nn.Module是所有网络的基类，所有模型都继承于这个类
    def __init__(self):
        # super()函数用来调用父类的方法
        super(LinearRegression, self).__init__()
        self.linear = nn.Linear(1, 1)  # 输入输出是同一维度，这里均为一维列向量

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

#是否支持GPU加速
if torch.cuda.is_available():
    model = LinearRegression().cuda()  #如果支持GPU加速，可以将模型放到GPU上

#定义损失函数和优化函数
criterion = nn.MSELoss() #使用均方误差作为优化函数
optimiser = optim.SGD(model.parameters(),lr=0.01) #使用随机梯度下降进行优化,学习率设为0.01
#parameters()返回一个 包含模型所有参数 的迭代器**

训练网络

#训练网络的顺序为：读取数据--将数据送入网络--得到网络输出--用输出和标签计算损失--最小化损失--更新梯度
num_epochs = 1000 # 训练1000次
for epoch in range(num_epochs):
    if torch.cuda.is_available():
        inputs = Variable(x_train).cuda()
        target = Variable(y_train).cuda()
    else:
        inputs = Variable(x_train)  #将数据转化为可自动求导的Variable类型
        target = Variable(y_train)

    # forward
    out = model(inputs)  #得到前向传播得到的结果
    loss = criterion(out,target)  #得到损失函数

    # backward
    optimiser.zero_grad() #归零梯度
    loss.backward() #反向传播和更新参数
    optimiser.step()

    if (epoch+1) % 20 == 0:  # 每隔一段时间将损失函数的值打印出来
        print('Epoch[{}/{}], loss: {:.6f}'
              .format(epoch+1, num_epochs, loss.item()))

得到预测值

model.eval()  # 将模型变成预测模式
model.cpu()
predict = model(Variable(x_train))
predict = predict.data.numpy()

可视化输出

plt.plot(x_train.numpy(),y_train.numpy(), 'ro', label='Original data')
plt.plot(x_train.numpy(), predict, 'b', label='Fitting Line')
plt.show()