pytorch实现线性回归代码练习实例，供大家参考，具体内容如下
欢迎大家指正，希望可以通过小的练习提升对于pytorch的掌握
# 随机初始化一个二维数据集，使用朋友torch训练一个回归模型
import numpy as np
import random
import matplotlib.pyplot as plt
x = np.arange(20)
y = np.array([5*x[i] + random.randint(1,20) for i in range(len(x))]) # random.randint(参数1,参数2)函数返回参数1和参数2之间的任意整数
print('-'*50)
# 打印数据集
print(x)
print(y)
import torch
x_train = torch.from_numpy(x).float()
y_train = torch.from_numpy(y).float()
# model
class LinearRegression(torch.nn.Module):
def __init__(self):
super(LinearRegression, self).__init__()
# 输入与输出都是一维的
self.linear = torch.nn.Linear(1,1)
def forward(self,x):
return self.linear(x)
# 新建模型，误差函数，优化器
model = LinearRegression()
criterion = torch.nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(),0.001)
# 开始训练
num_epoch = 20
for i in range(num_epoch):
input_data = x_train.unsqueeze(1)
target = y_train.unsqueeze(1) # unsqueeze(1)在第二维增加一个维度
out = model(input_data)
loss = criterion(out,target)
optimizer.zero_grad()
loss.backward()
optimizer.step()
print("Eopch:[{}/{},loss:[{:.4f}]".format(i+1,num_epoch,loss.item()))
if ((i+1)%2 == 0):
predict = model(input_data)
plt.plot(x_train.data.numpy(),predict.squeeze(1).data.numpy(),"r")
loss = criterion(predict,target)
plt.title("Loss:{:.4f}".format(loss.item()))
plt.xlabel("X")
plt.ylabel("Y")
plt.scatter(x_train,y_train)
plt.show()
实验结果：
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。
