pytorch使用线性回归方法 模拟 sin x

以下是一个使用PyTorch实现线性回归模拟sin x的例子：

首先，我们需要导入必要的库：

import torch
from torch.autograd import Variable
import numpy as np
import matplotlib.pyplot as plt

然后，我们定义模型和损失函数：

# 定义模型
class LinearRegression(torch.nn.Module):
    def __init__(self, inputSize, outputSize):
        super(LinearRegression, self).__init__()
        self.linear = torch.nn.Linear(inputSize, outputSize)

    def forward(self, x):
        out = self.linear(x)
        return out

# 定义损失函数
criterion = torch.nn.MSELoss() 

接下来，我们生成一些模拟数据：

# 生成模拟数据
x = np.linspace(0,2*np.pi,100)
y = np.sin(x)
x_train = np.array(x, dtype=np.float32).reshape(-1, 1)
y_train = np.array(y, dtype=np.float32).reshape(-1, 1)

然后，我们将数据转换为PyTorch张量：

# 转换为PyTorch张量
x_train = torch.from_numpy(x_train)
y_train = torch.from_numpy(y_train)

接下来，我们实例化模型和优化器：

# 实例化模型和优化器
inputDim = 1        # 输入特征数
outputDim = 1       # 输出特征数
learningRate = 0.01 # 学习率
epochs = 1000       # 迭代次数

model = LinearRegression(inputDim, outputDim)
optimizer = torch.optim.SGD(model.parameters(), lr=learningRate)

然后，我们开始训练模型：

# 训练模型
for epoch in range(epochs):
    # 将输入和输出传递给模型
    inputs = Variable(x_train)
    labels = Variable(y_train)

    # 清除梯度缓存
    optimizer.zero_grad()

    # 前向传播
    outputs = model(inputs)

    # 计算损失
    loss = criterion(outputs, labels)

    # 反向传播和优化
    loss.backward()
    optimizer.step()

    if epoch % 100 == 0:
        print('epoch {}, loss {}'.format(epoch, loss.item()))

最后，我们可以使用训练好的模型进行预测，并将结果可视化：

# 对模型进行预测
predicted = model(x_train).detach().numpy()

# 可视化结果
plt.plot(x_train.numpy(), y_train.numpy(), 'ro', label='Original data')
plt.plot(x_train.numpy(), predicted, label='Fitted line')
plt.legend()
plt.show()

完整代码如下：

import torch
from torch.autograd import Variable
import numpy as np
import matplotlib.pyplot as plt

# 定义模型
class LinearRegression(torch.nn.Module):
    def __init__(self, inputSize, outputSize):
        super(LinearRegression, self).__init__()
        self.linear = torch.nn.Linear(inputSize, outputSize)

    def forward(self, x):
        out = self.linear(x)
        return out

# 定义损失函数
criterion = torch.nn.MSELoss() 

# 生成模拟数据
x = np.linspace(0,2*np.pi,100)
y = np.sin(x)
x_train = np.array(x, dtype=np.float32).reshape(-1, 1)
y_train = np.array(y, dtype=np.float32).reshape(-1, 1)

# 转换为PyTorch张量
x_train = torch.from_numpy(x_train)
y_train = torch.from_numpy(y_train)

# 实例化模型和优化器
inputDim = 1        # 输入特征数
outputDim = 1       # 输出特征数
learningRate = 0.01 # 学习率
epochs = 1000       # 迭代次数

model = LinearRegression(inputDim, outputDim)
optimizer = torch.optim.SGD(model.parameters(), lr=learningRate)

# 训练模型
for epoch in range(epochs):
    # 将输入和输出传递给模型
    inputs = Variable(x_train)
    labels = Variable(y_train)

    # 清除梯度缓存
    optimizer.zero_grad()

    # 前向传播
    outputs = model(inputs)

    # 计算损失
    loss = criterion(outputs, labels)

    # 反向传播和优化
    loss.backward()
    optimizer.step()

    if epoch % 100 == 0:
        print('epoch {}, loss {}'.format(epoch, loss.item()))

# 对模型进行预测
predicted = model(x_train).detach().numpy()

# 可视化结果
plt.plot(x_train.numpy(), y_train.numpy(), 'ro', label='Original data')
plt.plot(x_train.numpy(), predicted, label='Fitted line')
plt.legend()
plt.show()