使用pytorch实现线性回归
程序员文章站
2022-06-18 11:03:51
线性回归都是包括以下几个步骤:定义模型、选择损失函数、选择优化函数、训练数据、测试import torchimport matplotlib.pyplot as plt# 构建数据集x_data= t...
线性回归都是包括以下几个步骤:定义模型、选择损失函数、选择优化函数、 训练数据、测试
import torch import matplotlib.pyplot as plt # 构建数据集 x_data= torch.tensor([[1.0],[2.0],[3.0],[4.0],[5.0],[6.0]]) y_data= torch.tensor([[2.0],[4.0],[6.0],[8.0],[10.0],[12.0]]) #定义模型 class linearmodel(torch.nn.module): def __init__(self): super(linearmodel, self).__init__() self.linear= torch.nn.linear(1,1) #表示输入输出都只有一层,相当于前向传播中的函数模型,因为我们一般都不知道函数是什么形式的 def forward(self, x): y_pred= self.linear(x) return y_pred model= linearmodel() # 使用均方误差作为损失函数 criterion= torch.nn.mseloss(size_average= false) #使用梯度下降作为优化sgd # 从下面几种优化器的生成结果图像可以看出,sgd和asgd效果最好,因为他们的图像收敛速度最快 optimizer= torch.optim.sgd(model.parameters(),lr=0.01) # asgd # optimizer= torch.optim.asgd(model.parameters(),lr=0.01) # optimizer= torch.optim.adagrad(model.parameters(), lr= 0.01) # optimizer= torch.optim.rmsprop(model.parameters(), lr= 0.01) # optimizer= torch.optim.adamax(model.parameters(),lr= 0.01) # 训练 epoch_list=[] loss_list=[] for epoch in range(100): y_pred= model(x_data) loss= criterion(y_pred, y_data) epoch_list.append(epoch) loss_list.append(loss.item()) print(epoch, loss.item()) optimizer.zero_grad() #梯度归零 loss.backward() #反向传播 optimizer.step() #更新参数 print("w= ", model.linear.weight.item()) print("b= ",model.linear.bias.item()) x_test= torch.tensor([[7.0]]) y_test= model(x_test) print("y_pred= ",y_test.data) plt.plot(epoch_list, loss_list) plt.xlabel("epoch") plt.ylabel("loss_val") plt.show()
使用sgd优化器图像:
使用asgd优化器图像:
使用adagrad优化器图像:
使用adamax优化器图像:
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
上一篇: 骁龙895对比骁龙780G哪个好