利用pytorch进行线性回归

更新时间:2020-03-27 14:23:43点击次数:490次
import torch
import matplotlib.pyplot as plt

torch.manual_seed(10)

lr = 0.1 #learning rate

#train data
x = torch.rand(20,1)*10 #x data shape(20,1)
y = 2*x+(5+torch.randn(20,1))#y data shape(20,1)

#build model
w = torch.randn((1),requires_grad=True)
b = torch.zeros((1),requires_grad=True)

for iteration in range(1000):

    #前向传播
    wx = torch.mul(w,x)
    y_pred = torch.add(wx,b)

    #loss
    loss = (0.5*(y-y_pred)**2).mean()  #求均值

    #反向传播
    loss.backward()

    #更新参数
    b.data.sub_(lr*b.grad)
    w.data.sub_(lr*w.grad)

    #plot
    if iteration % 20 == 0:
        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)

        if loss.data.numpy() < 1:
            break

本站文章版权归原作者及原出处所有 。内容为作者个人观点, 并不代表本站赞同其观点和对其真实性负责,本站只提供参考并不构成任何投资及应用建议。本站是一个个人学习交流的平台,网站上部分文章为转载,并不用于任何商业目的,我们已经尽可能的对作者和来源进行了通告,但是能力有限或疏忽,造成漏登,请及时联系我们,我们将根据著作权人的要求,立即更正或者删除有关内容。本站拥有对此声明的最终解释权。

  • 项目经理 点击这里给我发消息
  • 项目经理 点击这里给我发消息
  • 项目经理 点击这里给我发消息
  • 项目经理 点击这里给我发消息