使用pytorch实现线性回归

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。