pytorch使用Variable实现线性回归_Python

pytorch使用Variable实现线性回归

2021-06-28 00:28东城青年 Python

这篇文章主要为大家详细介绍了pytorch使用Variable实现线性回归，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

本文实例为大家分享了pytorch使用Variable实现线性回归的具体代码，供大家参考，具体内容如下

一、手动计算梯度实现线性回归

				?

									#导入相关包

									import torch as t

									import matplotlib.pyplot as plt

									#构造数据

									def get_fake_data(batch_size = 8):

									 #设置随机种子数，这样每次生成的随机数都是一样的

									 t.manual_seed(10)

									 #产生随机数据:y = 2*x+3,加上了一些噪声

									 x = t.rand(batch_size,1) * 20

									 #randn生成期望为0方差为1的正态分布随机数

									 y = x * 2 + (1 + t.randn(batch_size,1)) * 3

									 return x,y

									#查看生成数据的分布

									x,y = get_fake_data()

									plt.scatter(x.squeeze().numpy(),y.squeeze().numpy())

									#线性回归

									#随机初始化参数

									w = t.rand(1,1)

									b = t.zeros(1,1)

									#学习率

									lr = 0.001

									for i in range(10000):

									 x,y = get_fake_data()

									 #forward:计算loss

									 y_pred = x.mm(w) + b.expand_as(y)

									 #均方误差作为损失函数

									 loss = 0.5 * (y_pred - y)**2

									 loss = loss.sum()

									 #backward:手动计算梯度

									 dloss = 1

									 dy_pred = dloss * (y_pred - y)

									 dw = x.t().mm(dy_pred)

									 db = dy_pred.sum()

									 #更新参数

									 w.sub_(lr * dw)

									 b.sub_(lr * db)

									 if i%1000 == 0:

									 #画图

									 plt.scatter(x.squeeze().numpy(),y.squeeze().numpy())

									 x1 = t.arange(0,20).float().view(-1,1)

									 y1 = x1.mm(w) + b.expand_as(x1)

									 plt.plot(x1.numpy(),y1.numpy()) #predicted

									 plt.show()

									 #plt.pause(0.5)

									 print(w.squeeze(),b.squeeze())

pytorch使用Variable实现线性回归

显示的最后一张图如下所示：

pytorch使用Variable实现线性回归

二、自动梯度计算梯度实现线性回归

				?

									#导入相关包

									import torch as t

									from torch.autograd import Variable as V

									import matplotlib.pyplot as plt

									#构造数据

									def get_fake_data(batch_size=8):

									 t.manual_seed(10) #设置随机数种子

									 x = t.rand(batch_size,1) * 20

									 y = 2 * x +(1 + t.randn(batch_size,1)) * 3

									 return x,y

									#查看产生的x,y的分布是什么样的

									x,y = get_fake_data()

									plt.scatter(x.squeeze().numpy(),y.squeeze().numpy())

									#线性回归

									#初始化随机参数

									w = V(t.rand(1,1),requires_grad=True)

									b = V(t.rand(1,1),requires_grad=True)

									lr = 0.001

									for i in range(8000):

									 x,y = get_fake_data()

									 x,y = V(x),V(y)

									 y_pred = x * w + b

									 loss = 0.5 * (y_pred-y)**2

									 loss = loss.sum()

									 #自动计算梯度

									 loss.backward()

									 #更新参数

									 w.data.sub_(lr * w.grad.data)

									 b.data.sub_(lr * b.grad.data)

									 #梯度清零,不清零梯度会累加的

									 w.grad.data.zero_()

									 b.grad.data.zero_()

									 if i%1000==0:

									 #predicted

									 x = t.arange(0,20).float().view(-1,1)

									 y = x.mm(w.data) + b.data.expand_as(x)

									 plt.plot(x.numpy(),y.numpy())

									 #true data

									 x2,y2 = get_fake_data()

									 plt.scatter(x2.numpy(),y2.numpy())

									 plt.show()

									print(w.data[0],b.data[0])