
Pytorch实现线性回归并实时显示拟合过程(6)
发布日期:2021-05-09 12:07:38
浏览次数:2
分类:技术文章
本文共 2155 字,大约阅读时间需要 7 分钟。
本代码通过使用Pytorch动态实现线性回归:
import torchimport torch.nn.functional as Ffrom torch.autograd import Variableimport matplotlib.pyplot as plt'''先看torch.squeeze() 这个函数主要对数据的维度进行压缩,去掉维数为1的的维度,比如是一行或者一列这种,一个一行三列(1,3)的数去掉第一个维数为一的维度之后就变成(3)行。squeeze(a)就是将a中所有为1的维度删掉。不为1的维度没有影响。a.squeeze(N) 就是去掉a中指定的维数为一的维度。还有一种形式就是b=torch.squeeze(a,N) a中去掉指定的定的维数为一的维度。再看torch.unsqueeze()这个函数主要是对数据维度进行扩充。给指定位置加上维数为一的维度,比如原本有个三行的数据(3),在0的位置加了一维就变成一行三列(1,3)。a.squeeze(N) 就是在a中指定位置N加上一个维数为1的维度。还有一种形式就是b=torch.squeeze(a,N) a就是在a中指定位置N加上一个维数为1的维度'''x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # x data (tensor), shape=(100, 1)y = x.pow(2) + 0.2*torch.rand(x.size()) # noisy y data (tensor), shape=(100, 1)class Net(torch.nn.Module): def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() self.hidden = torch.nn.Linear(n_feature, n_hidden) # hidden layer self.predict = torch.nn.Linear(n_hidden, n_output) # output layer def forward(self, x): x = F.relu(self.hidden(x)) # activation function for hidden layer x = self.predict(x) # linear output return xnet = Net(n_feature=1, n_hidden=10, n_output=1) # define the networkprint(net) # net architectureoptimizer = torch.optim.SGD(net.parameters(), lr=0.2)loss_func = torch.nn.MSELoss() # this is for regression mean squared lossplt.ion() # 打开交互模式for t in range(300): prediction = net(x) # input x and predict based on x loss = loss_func(prediction, y) # must be (1. nn output, 2. target) optimizer.zero_grad() # clear gradients for next train loss.backward() # backpropagation, compute gradients optimizer.step() # apply gradients if t % 5 == 0: #绘制和显示学习率 plt.cla() # 即清除当前图形中的当前活动轴。其他轴不受影响 plt.scatter(x.data.numpy(), y.data.numpy()) #散点图 plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5) plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'}) plt.pause(0.1)plt.ioff() # 显示前关掉交互模式plt.show()
显示拟合结果:
了解更多关于《计算机视觉与图形学》相关知识,请关注公众号:
下载我们视频中代码和相关讲义,请在公众号回复:计算机视觉课程资料
转载地址:https://blog.csdn.net/CSS360/article/details/88374163 如侵犯您的版权,请留言回复原文章的地址,我们会给您删除此文章,给您带来不便请您谅解!
发表评论
最新留言
留言是一种美德,欢迎回访!
[***.207.175.100]2023年09月09日 04时04分21秒
关于作者

喝酒易醉,品茶养心,人生如梦,品茶悟道,何以解忧?唯有杜康!
-- 愿君每日到此一游!
推荐文章
ACL访问控制列表和NAT网络地址转换
2019-03-07
边界网关协议-BGP
2019-03-07
Linux-基本命令2-1
2019-03-07
关于CSS
2019-03-07
CSS
2019-03-07
font-size
2019-03-07
对象解析
2019-03-07
跳出"低水平勤奋陷阱"
2019-03-07
CPU参数指标说明
2019-03-07
models.py相关API
2019-03-07
关于测试
2019-03-07
HTML5
2019-03-07
节点List相关操作
2019-03-07
命名空间
2019-03-07
读书笔记
2019-03-07
Unity中常用Time类详解
2019-03-07
Echoworx为电子邮件加密平台增加生物特征身份验证功能
2019-03-07
法拉第未来选择Velodyne作为旗舰超豪华电动车FF 91的独家激光雷达供应商
2019-03-07
获高瓴资本5.3亿美元融资,京东健康就能“高枕无忧”了?
2019-03-07
被“铲屎官”养成的千亿新战场,宠物经济风口机会在哪里?
2019-03-07