pytorch 线性回归模拟
时间: 2023-10-20 18:13:12 浏览: 40
以下是一个简单的 PyTorch 线性回归模拟示例,包括数据生成、模型定义、训练和预测:
```python
import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
# 生成数据
np.random.seed(1)
x = np.random.rand(100, 1) * 10
y = 2 * x + 5 + np.random.randn(100, 1)
# 转化为 Tensor
x_tensor = torch.from_numpy(x).float()
y_tensor = torch.from_numpy(y).float()
# 定义模型
class LinearRegression(nn.Module):
def __init__(self):
super(LinearRegression, self).__init__()
self.linear = nn.Linear(1, 1) # 输入维度为 1,输出维度为 1
def forward(self, x):
out = self.linear(x)
return out
model = LinearRegression()
# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
# 训练模型
num_epochs = 1000
loss_list = []
for epoch in range(num_epochs):
# 向前传播
outputs = model(x_tensor)
loss = criterion(outputs, y_tensor)
# 反向传播和优化
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 记录损失
loss_list.append(loss.item())
if (epoch+1) % 100 == 0:
print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))
# 可视化损失
plt.plot(loss_list)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.show()
# 预测
model.eval()
with torch.no_grad():
predicted = model(x_tensor).detach().numpy()
# 可视化预测结果
plt.plot(x, y, 'ro', label='Original data')
plt.plot(x, predicted, label='Fitted line')
plt.legend()
plt.show()
```
在这个示例中,我们生成了一个带有随机噪声的简单数据集,并使用 PyTorch 定义了一个线性回归模型。我们使用均方误差作为损失函数,并使用随机梯度下降优化器训练模型。最后,我们可视化了损失和模型的预测结果。