一維線性回歸pytorch實現

訓練**：

import torch

import numpy as np
x_train = np.array([[
3.3],[
4.4],[
5.5],[
6.71],
[6.93],
[4.168],
[9.799]]
)y_train = np.array([[
1.7],[
2.76],
[2.09],
[3.19],
[1.694],
[1.573],
[3.366]]
)x_train = torch.from_numpy(x_train)
.float()
y_train = torch.from_numpy(y_train)
.float()
print
('x_train:{}'
.format
(x_train)
)print
('y_train:{}'
.format
(y_train)
)class
linearregression
(torch.nn.module)
:def
__init__
(self)
:super
(linearregression, self)
.__init__(
) self.linear = torch.nn.linear(1,
1)#輸入輸出均是一維的
defforward
(self, x)
: out = self.linear(x)
return out
model = linearregression(
)#定義模型
criterion = torch.nn.mseloss(
)#定義損失函式
optimizer = torch.optim.sgd(model.parameters(
), lr =1e-
2)#優化器
num_epochs =
1000
#優化1000次
for epoch in
range
(num_epochs)
: inputs_ = torch.autograd.variable(x_train)
target = torch.autograd.variable(y_train)
#forward
out = model(inputs_)
#由於繼承了nn.module模組，該模組已經呼叫了forward函式，該語句等價於 out = model.forward(inputs_)
loss = criterion(out, target)
#backward
optimizer.zero_grad(
)#每次做反向傳播前都要歸零梯度
loss.backward(
) optimizer.step(
)#更新引數
if(epoch+1)
%20==0
:#每隔一段時間看下訓練結果
print
('epoch[{}/{}], loss: '
.format
(epoch+
1, num_epochs, loss.data)
)

import matplotlib.pyplot as plt

model.
eval()
#將模型變為**模型
Pytorch實現線性回歸 手動
pytorch實現線性回歸 假設我們的基礎模型就是 y wx b 其中w和b均為引數，我們使用y 3 x 0.8來構造資料x,y 所以最後通過模型應該能夠得到w和b應該在3與0.8附近。思路如下 1準備資料 2計算 值 3計算損失，把引數的梯度設定為0，進行反向傳播 4更新引數 5效果視覺化 1準備...
pytorch線性回歸
線性回歸假設輸出與各個輸入之間是線性關係 y wx b pytorch定義線性回歸模型 def linreg x,w,b return torch.mm x,w b線性回歸常用損失函式是平方損失 2優化函式 隨機梯度下降 小批量隨機梯度下降 mini batch stochastic gradien...
pytorch 線性回歸
import torch from torch.autograd import variable import torch.nn.functional as f import matplotlib.pyplot as plt print torch.linspace 1,1,100 x torch....