PyTorch--用Variable实现线性回归PyTorch–用Variable实现线性回归

PyTorch–用Variable实现线性回归

从中体会autograd的便捷之处

1.导入库

import torch as t
from torch.autograd import Variable as V
from matplotlib import pyplot as plt
from IPython import display

2.定义函数

#为了在不同的计算机运行一样，设置随机种子
t.manual_seed(1000)

def get_fake_data(batch_size=8):
    x = t.rand(batch_size, 1) * 20
    y = x * 2 + (1 + t.randn(batch_size, 1)) * 3
    return x, y

3.查看分布

x, y = get_fake_data()
plt.scatter(x.squeeze().numpy(), y.squeeze().numpy())

如下图

4.网络设计及画图

#随机初始化参数
w = V(t.rand(1, 1), requires_grad=True)
b = V(t.zeros(1, 1), requires_grad=True)
lr = 0.001

for i in range(8000):
    x, y =get_fake_data()
    x, y = V(x), V(y)
    #forward
    y_pred = x.mm(w) + b
    loss = 0.5 * (y_pred - y) ** 2
    loss = loss.sum()

    #backward
    loss.backward()
    #更新参数
    w.data.sub_(lr * w.grad.data)
    b.data.sub_(lr * b.grad.data)
    #梯度清零
    w.grad.data.zero_()
    b.grad.data.zero_()

    if i % 2000 == 0:
        display.clear_output(wait=True)
        x = t.arange(0, 20, dtype=t.float).view(-1, 1)
        y = x.mm(w.data) + b.expand_as(x)
        plt.plot(x.detach().numpy(), y.detach().numpy())#predicted

        x2, y2 = get_fake_data(batch_size=20)
        plt.scatter(x2.numpy(), y2.numpy())#true data

        plt.xlim(0, 20)
        plt.ylim(0, 40)
        print(w.item(), b.item())
        plt.show()

图如下

相关参数值

最后

以上就是柔弱溪流最近收集整理的关于PyTorch--用Variable实现线性回归PyTorch–用Variable实现线性回归的全部内容，更多相关PyTorch--用Variable实现线性回归PyTorch–用Variable实现线性回归内容请搜索靠谱客的其他文章。