1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
|
"""
使用pytorch实现简单线性回归
"""
import torch
# 1.准备数据集
x_data = torch.Tensor([[1.0], [2.0], [3.0]]) # 3行1列的tensor
y_data = torch.Tensor([[2.0], [4.0], [6.0]])
# 2.使用类来设计模型
class LinearModel(torch.nn.Module): # Module构造出来的对象，会自动构建反向传播过程
def __init__(self):
super(LinearModel, self).__init__()
self.linear = torch.nn.Linear(1, 1) # torch.nn.Linear构造一个对象，参数是权重和偏差，也是继承子Module的会自动进行反向传播
# (in_features: size, out_features: size of each out feature, bias=True:要不要偏置量)
def forward(self, x): # 实现这个方法
# 计算 y heat
y_pred = self.linear(x) # linear是前面建立的对象，可调用的callable的对象（def __call__(self, *args, **kwargs)）
return y_pred
model = LinearModel() # model是callable的 model(x)
# 3.构建损失和优化器
criterion = torch.nn.MSELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01) # 梯度下降
# optimizer = torch.optim.Adam(model.parameters(), lr=0.01) # 梯度下降
# 可以尝试不同的优化器
# 4.训练
for epoch in range(100):
y_pred = model(x_data) # 1.前向传播，计算y heat
loss = criterion(y_pred, y_data) # 2.计算损失
print(epoch, loss) # 打印
optimizer.zero_grad() # 梯度会自动计算，务必梯度清零！
loss.backward() # 3.反向传播
optimizer.step() # 4.更新 update
# 打印权重和偏置
print("w=", model.linear.weight.item()) # model下面的linear，下面的weight
print("b=", model.linear.bias.item())
# 测试模型
x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print("y_pred=", y_test.data)
|
