pytorch实现线性回归和多元回归的方法

本篇内容介绍了“PyTorch实现线性回归和多元回归的方法”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

最近在学习pytorch，现在把学习的代码放在这里，下面是GitHub链接

直接附上github代码

# 实现一个线性回归# 所有的层结构和损失函数都来自于 torch.nn# torch.optim 是一个实现各种优化算法的包，调用的时候必须是需要优化的参数传入，这些参数都必须是Variable x_train = np.array([[3.3],[4.4],[5.5],[6.71],[6.93],[4.168],[9.779],[6.182],[7.59],[2.167],[7.042],[10.791],[5.313],[7.997],[3.1]],dtype=np.float32)y_train = np.array([[1.7],[2.76],[2.09],[3.19],[1.694],[1.573],[3.366],[2.596],[2.53],[1.221],[2.827],[3.465],[1.65],[2.904],[1.3]],dtype=np.float32) # 首先我们需要将array转化成tensor，因为pytorch处理的单元是Tensor x_train = torch.from_numpy(x_train)y_train = torch.from_numpy(y_train)  # def a simple network class LinearRegression(nn.Module):    def __init__(self):        super(LinearRegression,self).__init__()        self.linear = nn.Linear(1, 1)  # input and output is 2_dimension    def forward(self, x):        out = self.linear(x)        return out  if torch.cuda.is_available():    model = LinearRegression().cuda()    #model = model.cuda()else:    model = LinearRegression()    #model = model.cuda() # 定义loss function 和 optimize funccriterion = nn.MSELoss()   # 均方误差作为优化函数optimizer = torch.optim.SGD(model.parameters(),lr=1e-3)num_epochs = 30000for epoch in range(num_epochs):    if torch.cuda.is_available():        inputs = Variable(x_train).cuda()        outputs = Variable(y_train).cuda()    else:        inputs = Variable(x_train)        outputs = Variable(y_train)     # forward    out = model(inputs)    loss = criterion(out,outputs)     # backWord    optimizer.zero_grad()  # 每次做反向传播之前都要进行归零梯度。不然梯度会累加在一起，造成不收敛的结果    loss.backward()    optimizer.step()     if (epoch +1)%20==0:        print('Epoch[{}/{}], loss: {:.6f}'.fORMat(epoch+1,num_epochs,loss.data))  model.eval()  # 将模型变成测试模式predict = model(Variable(x_train).cuda())predict = predict.data.cpu().numpy()plt.plot(x_train.numpy(),y_train.numpy(),'ro',label = 'original data')plt.plot(x_train.numpy(),predict,label = 'Fitting line')plt.show()

结果如图所示：

多元回归：

# _*_encoding=utf-8_*_# pytorch 里面最基本的操作对象是Tensor,pytorch 的tensor可以和numpy的ndarray相互转化。# 实现一个线性回归# 所有的层结构和损失函数都来自于 torch.nn# torch.optim 是一个实现各种优化算法的包，调用的时候必须是需要优化的参数传入，这些参数都必须是Variable  # 实现 y = b + w1 *x + w2 *x**2 +w3*x**3import osos.environ['CUDA_DEVICE_ORDER']="PCI_BUS_ID"os.environ['CUDA_VISIBLE_DEVICES']='0'import torchimport numpy as npfrom torch.autograd import Variableimport matplotlib.pyplot as pltfrom torch import nn  # pre_processingdef make_feature(x):    x = x.unsqueeze(1)   # unsquenze 是为了添加维度1的，0表示第一维度，1表示第二维度，将tensor大小由3变为（3,1）    return torch.cat([x ** i for i in range(1, 4)], 1) # 定义好真实的数据  def f(x):    W_output = torch.Tensor([0.5, 3, 2.4]).unsqueeze(1)    b_output = torch.Tensor([0.9])    return x.mm(W_output)+b_output[0]  # 外积，矩阵乘法  # 批量处理数据def get_batch(batch_size =32):     random = torch.randn(batch_size)    x = make_feature(random)    y = f(x)    if torch.cuda.is_available():         return Variable(x).cuda(),Variable(y).cuda()    else:        return Variable(x),Variable(y)   # def modelclass poly_model(nn.Module):    def __init__(self):        super(poly_model,self).__init__()        self.poly = nn.Linear(3,1)    def forward(self,input):        output = self.poly(input)        return output if torch.cuda.is_available():    print("sdf")    model = poly_model().cuda()else:    model = poly_model()  # 定义损失函数和优化器criterion = nn.MSELoss()optimizer = torch.optim.SGD(model.parameters(), lr=1e-3) epoch = 0while True:    batch_x, batch_y = get_batch()    #print(batch_x)    output = model(batch_x)    loss = criterion(output,batch_y)    print_loss = loss.data    optimizer.zero_grad()    loss.backward()    optimizer.step()    epoch = epoch +1    if print_loss < 1e-3:        print(print_loss)        break model.eval()print("Epoch = {}".format(epoch)) batch_x, batch_y = get_batch()predict = model(batch_x)a = predict - batch_yy = torch.sum(a)print('y = ',y)predict = predict.data.cpu().numpy()plt.plot(batch_x.cpu().numpy(),batch_y.cpu().numpy(),'ro',label = 'Original data')plt.plot(batch_x.cpu().numpy(),predict,'b', ls='--',label = 'Fitting line')plt.show()

“pytorch实现线性回归和多元回归的方法”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注编程网网站，小编将为大家输出更多高质量的实用文章！