Pytorch框架学习路径(三：线性回归)

线性回归

文章目录

什么是线性回归 ？

线性回归是分析一个变量与另外一（多）个变量之间关系的方法

线性回归求解步骤

代码实现

import torch
import matplotlib.pyplot as plt
torch.manual_seed(10)

lr =0.05# 学习率    20191015修改# 创建训练数据
x = torch.rand(20,1)*10# x data (tensor), shape=(20, 1)
y =2*x +(5+ torch.randn(20,1))# y data (tensor), shape=(20, 1)# torch.randn(20, 1)是加一些噪声。# 构建线性回归参数
w = torch.randn((1), requires_grad=True)# w随机初始化并服从标准正态分布
b = torch.zeros((1), requires_grad=True)for iteration inrange(1000):# 前向传播
    wx = torch.mul(w, x)
    y_pred = torch.add(wx, b)# 计算 MSE loss
    loss =(0.5*(y - y_pred)**2).mean()# 反向传播
    loss.backward()# 自动求导函数，得到梯度# 更新参数
    b.data.sub_(lr * b.grad)# grad：是用来存储梯度的
    w.data.sub_(lr * w.grad)# 清零张量的梯度   20191015增加
    w.grad.zero_()
    b.grad.zero_()# 绘图if iteration %20==0:
        plt.cla()# 防止社区版可视化时模型重叠2020-12-15
        plt.scatter(x.data.numpy(), y.data.numpy())
        plt.plot(x.data.numpy(), y_pred.data.numpy(),'r-', lw=5)
        plt.text(2,20,'Loss=%.4f'% loss.data.numpy(), fontdict={'size':20,'color':'red'})
        plt.xlim(1.5,10)
        plt.ylim(8,28)
        plt.title("Iteration: {}\nw: {} b: {}".format(iteration, w.data.numpy(), b.data.numpy()))
        plt.pause(0.5)# loss小于1时停止更新if loss.data.numpy()<1:break
    plt.show()

OUT: