pytorch入门学习（三）-----线性回归模型

在运行之前需要matplotlib包，快速方便的方法可以看这个pycharm导入matplotlib

可以尝试设置不同的学习率，创建不同大小的训练数据集，以及不同的斜率和截距

import torch
import matplotlib.pyplot as plt
torch.manual_seed(10)

# 设定学习率为0.01
lr = 0.01
best_loss = float("inf")


# 创建训练数据集，
# 即制造出接近 y = 4x + 6 的数据集，加上torch.randn()制造噪声
x = torch.rand(100, 1) * 10
y = 4*x + (6 + torch.randn(100, 1))

# 构建线性回归参数
w = torch.randn((1), requires_grad=True)
b = torch.zeros((1), requires_grad=True)

for iteration in range(1000):
    # 前向传播
    wx = torch.mul(w, x)
    y_pred = torch.add(wx, b)

    # 计算 MSE loss
    loss = (0.5 * (y - y_pred) ** 2).mean()

    # 反向传播
    loss.backward()

    # 保留最低损失，最佳斜率及截距
    current_loss = loss.item()
    if current_loss < best_loss:
        best_loss = current_loss
        best_w = w
        best_b = b

# 绘图
    if loss.data.numpy() < 2:
        plt.scatter(x.data.numpy(), y.data.numpy())
        plt.plot(x.data.numpy(), y_pred.data.numpy(), 'r-', lw=5)
        plt.text(2, 20, 'loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})
        plt.xlim(1.5, 10)
        plt.ylim(8, 28)
        plt.title("Iteration: {}\nw: {} b: {}".format(iteration, w.data.numpy(), b.data.numpy()))
        plt.pause(0.5)

        if loss.data.numpy() < 0.6:
            break

    # 更新参数
    b.data.sub_(lr * b.grad)
    w.data.sub_(lr * w.grad)

    print(best_loss)