【下载文档:  pytorch使用Variable实现线性回归.txt 】

---

pytorch使用Variable实现线性回归
本文实例为大家分享了pytorch使用Variable实现线性回归的具体代码，供大家参考，具体内容如下
一、手动计算梯度实现线性回归
#导入相关包
import torch as t
import matplotlib.pyplot as plt
#构造数据
def get_fake_data(batch_size = 8):
#设置随机种子数，这样每次生成的随机数都是一样的
t.manual_seed(10)
#产生随机数据:y = 2*x+3,加上了一些噪声
x = t.rand(batch_size,1) * 20
#randn生成期望为0方差为1的正态分布随机数
y = x * 2 + (1 + t.randn(batch_size,1)) * 3
return x,y
#查看生成数据的分布
x,y = get_fake_data()
plt.scatter(x.squeeze().numpy(),y.squeeze().numpy())
#线性回归
#随机初始化参数
w = t.rand(1,1)
b = t.zeros(1,1)
#学习率
lr = 0.001
for i in range(10000):
x,y = get_fake_data()
#forward:计算loss
y_pred = x.mm(w) + b.expand_as(y)
#均方误差作为损失函数
loss = 0.5 * (y_pred - y)**2
loss = loss.sum()
#backward:手动计算梯度
dloss = 1
dy_pred = dloss * (y_pred - y)
dw = x.t().mm(dy_pred)
db = dy_pred.sum()
#更新参数
w.sub_(lr * dw)
b.sub_(lr * db)
if i%1000 == 0:
#画图
plt.scatter(x.squeeze().numpy(),y.squeeze().numpy())
x1 = t.arange(0,20).float().view(-1,1)
y1 = x1.mm(w) + b.expand_as(x1)
plt.plot(x1.numpy(),y1.numpy()) #predicted
plt.show()
#plt.pause(0.5)
print(w.squeeze(),b.squeeze())
显示的最后一张图如下所示：
二、自动梯度 计算梯度实现线性回归
#导入相关包
import torch as t
from torch.autograd import Variable as V
import matplotlib.pyplot as plt
#构造数据
def get_fake_data(batch_size=8):
t.manual_seed(10) #设置随机数种子
x = t.rand(batch_size,1) * 20
y = 2 * x +(1 + t.randn(batch_size,1)) * 3
return x,y
#查看产生的x,y的分布是什么样的
x,y = get_fake_data()
plt.scatter(x.squeeze().numpy(),y.squeeze().numpy())
#线性回归
#初始化随机参数
w = V(t.rand(1,1),requires_grad=True)
b = V(t.rand(1,1),requires_grad=True)
lr = 0.001
for i in range(8000):
x,y = get_fake_data()
x,y = V(x),V(y)
y_pred = x * w + b
loss = 0.5 * (y_pred-y)**2
loss = loss.sum()
#自动计算梯度
loss.backward()
#更新参数
w.data.sub_(lr * w.grad.data)
b.data.sub_(lr * b.grad.data)
#梯度清零,不清零梯度会累加的
w.grad.data.zero_()
b.grad.data.zero_()
if i%1000==0:
#predicted
x = t.arange(0,20).float().view(-1,1)
y = x.mm(w.data) + b.data.expand_as(x)
plt.plot(x.numpy(),y.numpy())
#true data
x2,y2 = get_fake_data()
plt.scatter(x2.numpy(),y2.numpy())
plt.show()
print(w.data[0],b.data[0])
显示的最后一张图如下所示：
用autograd实现的线性回归最大的不同点就在于利用autograd不需要手动计算梯度，可以自动微分。这一点不单是在深度在学习中，在许多机器学习的问题中都很有用。另外，需要注意的是每次反向传播之前要记得先把梯度清零，因为autograd求得的梯度是自动累加的。
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中文源码网。