從零開始深度學習Pytorch筆記(7)—— 使用Pytorch實現(xiàn)線性回歸

前文傳送門：

從零開始深度學習Pytorch筆記（1）——安裝Pytorch

從零開始深度學習Pytorch筆記（2）——張量的創(chuàng)建（上）

從零開始深度學習Pytorch筆記（3）——張量的創(chuàng)建（下）

從零開始深度學習Pytorch筆記（4）——張量的拼接與切分

從零開始深度學習Pytorch筆記（5）——張量的索引與變換

從零開始深度學習Pytorch筆記（6）——張量的數(shù)學運算

在該系列的上一篇，我們介紹了Pytorch中的張量的數(shù)學運算，本文教會大家使用Pytorch搭建一個線性回歸模型。

說到線性回歸，從某種程度上可以算是最簡單的機器學習模型了。具體的理論推導我這里就不多說了，網(wǎng)上隨手一搜就有。

我們著重講講使用Pytorch搭建模型的過程。

首先貼出可實現(xiàn)的代碼：

import?torch
import?matplotlib.pyplot?as?plt

torch.manual_seed(10)#隨機數(shù)種子
lr?=?0.1?#學習率

#創(chuàng)建訓練數(shù)據(jù)
x?=?torch.rand(20,1)*10?#shape(20,1)
y?=?2*x?+?(5?+?torch.randn(20,1))?#shape(20,1)

#構(gòu)建線性回歸參數(shù)
w?=?torch.randn((1),requires_grad=True)#隨機初始化w，要用到自動梯度求導
b?=?torch.zeros((1),requires_grad=True)#使用0初始化b，要用到自動梯度求導

for?iteration?in?range(1000):

????#前向傳播
????wx?=?torch.mul(w,x) # w*x
????y_pred?=?torch.add(wx,b) # y = w*x + b

????#計算?MSE?loss
????loss?=?(0.5*(y-y_pred)**2).mean()

????#反向傳播
????loss.backward()

????#更新參數(shù)
????b.data.sub_(lr*b.grad)?#?b?=?b?-?lr*b.grad
????w.data.sub_(lr*w.grad)?#?w?=?w?-?lr*w.grad

????#繪圖
????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:#停止條件
????????????break

我們來分步驟講講上面的代碼具體的內(nèi)容。

首先導入相關(guān)的庫，設(shè)定學習率和隨機數(shù)種子，然后創(chuàng)建隨機數(shù)作為使用的數(shù)據(jù)。

初始化參數(shù) w、b，由于之后需要在模型訓練中不斷調(diào)整 w、b 的參數(shù)值，并且會用到相關(guān)求導，所以設(shè)置 requires_grad=True，代表需要用到該張量的求導。

之后寫了一個循環(huán)，每次循環(huán)先進行前向傳播，計算 y 的預測值，計算 loss 損失值，然后反向傳播損失，去更新參數(shù) w、b。

之后是一個繪圖操作，繪制數(shù)據(jù)的散點圖和在訓練過程中的線性回歸直線。

運行代碼后，我們可以看到如下的幾個訓練過程中的可視化圖，當loss損失值小于1時，停止可視化。

歡迎關(guān)注公眾號學習之后的深度學習連載部分~