Pytorch实现线性回归模型 Pytorch

文章目录

任务
实现

任务根据给出的训练集，训练一个模型，拟合一条直线
预期效果：

文章图片

实现

import matplotlib.pyplot as plt import torch import torch.nn as nn import numpy as np from torch import optim

# 训练数据集 x_train = np.array([[3.3],[4.4],[5.5],[6.6],[6.69],[4.4],[9.8],[6.12],[7.7],[2.67],[7.42],[10.91],[5.13],[7.97],[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)plt.plot(x_train, y_train, 'ro') plt.show()

文章图片

# 将训练数据集转为tensor x_train = torch.from_numpy(x_train) y_train = torch.from_numpy(y_train)# 定义一个线性模型（神经网络） model = nn.Linear(1,1) # 优化器完成模型参数和权重更新 optim = optim.SGD(model.parameters(),lr=0.01) # 损失函数 Loss = MSELoss()

#训练过程 ecophs = 30000 for i in range(ecophs): # 计算模型输出 outputs = model.forward(x_train) # 计算损失 loss = Loss(y_train,outputs) # 在梯度反向传播之前，梯度降为0 model.zero_grad() # 反向传播 loss.backward() # 优化器优化 optim.step()# 获得训练的参数 w,a = model.parameters() print(w.item(),a.item())# 可视化 predicted = model.forward(x_train).data.numpy() plt.plot(x_train,y_train,'ro') plt.plot(x_train,predicted)

【Pytorch实现线性回归模型】