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:34 分类:精选文章

本文共 1625 字,大约阅读时间需要 5 分钟。

PyTorch动态实现线性回归模型

在线性回归模型中,PyTorch提供了强大的高效API来实现模型的定义和训练。在本节中,我们将使用PyTorch来构建一个简单的线性回归模型,并通过动态优化来拟合给定的数据。

代码解析

首先,我们需要导入必要的PyTorch库:

import torch
import torch.nn.functional as F
from torch.autograd import Variable
import matplotlib.pyplot as plt

接下来,我们定义输入特征和目标输出:

# 定义输入特征
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # shape=(100, 1)
# 定义目标输出,添加噪声
y = x.pow(2) + 0.2 * torch.randn(x.size())

然后,我们创建一个线性回归模型:

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)
self.predict = torch.nn.Linear(n_hidden, n_output)
def forward(self, x):
x = F.relu(self.hidden(x))
x = self.predict(x)
return x

初始化模型和优化器:

net = Net(n_feature=1, n_hidden=10, n_output=1)
optimizer = torch.optim.SGD(net.parameters(), lr=0.2)
loss_func = torch.nn.MSELoss()

模型训练过程:

plt.ion()
for t in range(300):
prediction = net(x)
loss = loss_func(prediction, y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if t % 5 == 0:
plt.cla()
plt.scatter(x.data.numpy(), y.data.numpy())
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)

模型训练完成后,可以观察到拟合效果:

PyTorch中的torch.squeeze()torch.unsqueeze()函数在数据处理中起到了重要作用。前者用于去掉维度为1的维度,后者用于增加维度。通过合理的使用这些函数,可以实现数据的有效 reshape。

模型训练过程中,我们使用了Adam优化器,并通过交互式图形绘图实时观察模型性能。最终模型能够较好地拟合数据,验证了线性回归模型的有效性。

PyTorch的灵活性使得开发和优化复杂模型变得更加容易。通过动态计算和自动微分,PyTorch能够显著提升模型训练效率和效果。

上一篇:使用Pytorch框架实现简单的数据分类(7)
下一篇:双显卡同时显示多个显示屏

发表评论

最新留言

路过按个爪印,很不错,赞一个!
[***.219.124.196]2025年05月06日 08时11分55秒