pytorch 线性回归模拟

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：

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。