import torchx_data =torch.tensor([[1.0],[2.0],[3.0]]) y_data=torch.tensor([[2.0],[4.0],[6.0]])#重點在于構造計算圖 pytorch會自動計算梯度 #Z=wx+b 就是一個線性單元class LinearModel(torch.nn.Module):#Module的對象會自動實現backword()的過程#構造函數def __init__(self) :super(LinearModel, self).__init__()#Linear()構建y=wx+b，且繼承于Module自動完成backword()的過程self.linear=torch.nn.Linear(1,1)#前饋計算的函數 必須有def forward(self,x):#調用linear的__call__()，在此函數中會調用forward()y_pred=self.linear(x)return y_pred #CallModel 可以直接調用 model=LinearModel()#調用損失函數 criterion=torch.nn.MSELoss(size_average=False) #優化器，lr學習率 optimizer=torch.optim.SGD(model.parameters(),lr=0.01) for epoch in range(1000):y_pred=model(x_data)loss=criterion(y_pred,y_data)print(epoch,loss.item())#所有權重的梯度歸0optimizer.zero_grad()#進行反向傳播loss.backward()#根據梯度、學習率進行自動更新optimizer.step() print("W=",model.linear.weight.item()) print("b=",model.linear.bias.item()) #Test Model x_test=torch.Tensor([4.0]) y_test=model(x_test) print("y_pred=",y_test.data)

總結

以上是生活随笔為你收集整理的【Pytorch神经网络实战案例】04 使用Pytorch实现线性回归的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。