這篇文章主要爲大家詳細介紹了pytorch使用Variable實現線性迴歸,具有一定的參考價值,感興趣的小夥伴們可以參考一下
本文實例爲大家分享了pytorch使用Variable實現線性迴歸的具體代碼,供大家參考,具體內容如下
一、手動計算梯度實現線性迴歸
#導入相關包 import torch as t import matplotlib.pyplot as plt #構造數據 def get_fake_data(batch_size = 8): #設置隨機種子數,這樣每次生成的隨機數都是一樣的 t.manual_seed(10) #產生隨機數據:y = 2*x+3,加上了一些噪聲 x = t.rand(batch_size,1) * 20 #randn生成期望爲0方差爲1的正態分佈隨機數 y = x * 2 + (1 + t.randn(batch_size,1)) * 3 return x,y #查看生成數據的分佈 x,y = get_fake_data() plt.scatter(x.squeeze().numpy(),y.squeeze().numpy()) #線性迴歸 #隨機初始化參數 w = t.rand(1,1) b = t.zeros(1,1) #學習率 lr = 0.001 for i in range(10000): x,y = get_fake_data() #forward:計算loss y_pred = x.mm(w) + b.expand_as(y) #均方誤差作爲損失函數 loss = 0.5 * (y_pred - y)**2 loss = loss.sum() #backward:手動計算梯度 dloss = 1 dy_pred = dloss * (y_pred - y) dw = x.t().mm(dy_pred) db = dy_pred.sum() #更新參數 w.sub_(lr * dw) b.sub_(lr * db) if i%1000 == 0: #畫圖 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())
顯示的最後一張圖如下所示:
二、自動梯度 計算梯度實現線性迴歸
#導入相關包 import torch as t from torch.autograd import Variable as V import matplotlib.pyplot as plt #構造數據 def get_fake_data(batch_size=8): t.manual_seed(10) #設置隨機數種子 x = t.rand(batch_size,1) * 20 y = 2 * x +(1 + t.randn(batch_size,1)) * 3 return x,y #查看產生的x,y的分佈是什麼樣的 x,y = get_fake_data() plt.scatter(x.squeeze().numpy(),y.squeeze().numpy()) #線性迴歸 #初始化隨機參數 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() #自動計算梯度 loss.backward() #更新參數 w.data.sub_(lr * w.grad.data) b.data.sub_(lr * b.grad.data) #梯度清零,不清零梯度會累加的 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])
顯示的最後一張圖如下所示:
用autograd實現的線性迴歸最大的不同點就在於利用autograd不需要手動計算梯度,可以自動微分。這一點不單是在深度在學習中,在許多機器學習的問題中都很有用。另外,需要注意的是每次反向傳播之前要記得先把梯度清零,因爲autograd求得的梯度是自動累加的。
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支持神馬文庫。