使用pytorch实现线性回归（很基础模型搭建详解）
使用pytorch实现线性回归步骤：1.prepare dataset2.design model using Class 目的是为了前向传播forward，即计算y hat（预测值）3.Construct loss and optimizer (using pytorch API) 其中计算loss是为了进行反向传播，optimizer是为了更新梯度4.Train Cycleimport torchx_da
import torch
x_data = torch.tensor([[1.0],[2.0],[3.0]])
y_data = torch.tensor([[2.0],[4.0],[6.0]])
# 实例化模型
class linearmodel(torch.nn.module):
def __init__(self):
super(linearmodel, self).__init__() # 调用父类的构造
self.linear = torch.nn.linear(1,1) # 实例化类，构造对象，包含了权重和偏置
# linear也是继承自module的，也能进行反向传播
# nn：neural network
def forward(self,x):
y_pred = self.linear(x)
return y_pred
model = linearmodel()
# 定义损失函数
criterion = torch.nn.mseloss(size_average=false)
# 定义优化器
optimizer = torch.optim.sgd(model.parameters(), lr = 0.01)
# 训练
for epoch in range(100):
y_pred = model(x_data) # 计算y hat
loss = criterion(y_pred,y_data) # 计算loss
print(epoch,loss.item())
# optimizer.zero_grad() # 梯度归零
loss.backward() # 反向传播，计算梯度
optimizer.step() # update 参数，即更新w和b的值
optimizer.zero_grad() # 梯度归零
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)
相关文章:
-
-
-
PyTorch是一个基于python的科学计算包，主要针对两类人群：作为NumPy的替代品，可以利用GPU的性能进行计算作为一个高灵活性、速度快的深度学习平台在PyTorch中搭建…
-
地理数据的统计处理，双变量相关分析，主成分分析，因子分析，多元线性回归，聚类分析，时间序列分析，地统计分析，趋势面分析，马尔可夫分析…
-
本文对国内外部分交通数据集进行了介绍、对相关参数的进行了说明。…
-
版权声明：本文内容由互联网用户贡献，该文观点仅代表作者本人。本站仅提供信息存储服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 2386932994@qq.com 举报，一经查实将立刻删除。
我要评论
发表评论