pytorch学习教程（二）——线性回归

本文介绍了如何使用pytorch实现线性回归，包括生成数据集，建立线性回归模型，loss和优化器设置，训练模型，并绘制图以及保存模型。

线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛，其表达形式为y = kx+b。

基本步骤：

（1）导入数据

（2）构建模型

（3）训练模型

（4）绘制图并保存模型

导入必要的包

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt

超参数设置

input_size = 1
output_size = 1
num_epochs = 60
learning_rate = 0.001

数据集生成

# Toy dataset
x_train = np.array([[3.3], [4.4], [5.5], [6.71], [6.93], [4.168], 
                    [9.779], [6.182], [7.59], [2.167], [7.042], 
                    [10.791], [5.313], [7.997], [3.1]], dtype=np.float32)
y_train = np.array([[1.7], [2.76], [2.09], [3.19], [1.694], [1.573], 
                    [3.366], [2.596], [2.53], [1.221], [2.827], 
                    [3.465], [1.65], [2.904], [1.3]], dtype=np.float32)

线性模型建立以及loss和优化器设置

# Linear regression model
model = nn.Linear(input_size, output_size)

# Loss and optimizer
criterion = nn.MESLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

训练模型

for epoch in range(num_epochs):
    # 将numpy数组转换为torch的张量
    inputs = torch.from_numpy(x_train)
    targets = torch.from_numpy(y_train)
    
    # 前向传播
    outputs = model(inputs)
    loss = criterion(outputs, targets)
    
    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    if (epoch+1) % 5 == 0:
        print('EPOCH [{}/{}], Loss:{:.4f}'.format(epoch+1, num_epochs, loss.item()))

绘制图

predicted = model(torch.from_numpy(x_train)).detach().numpy()
plt.plot(x_train, y_train, 'ro', label='Original data')
plt.plot(x_train, predicted, label='Fitted line')
plt.legend()
plt.show()

保存模型

torch.save(model.state_dict(), 'model.ckpt')

最终效果：

原文链接：https://github.com/yunjey/pytorch-tutorial/blob/master/tutorials/01-basics/linear_regression/main.py#L22-L23