線性回歸

import torch import numpy as np import matplotlib.pyplot as plt %matplotlib inline from torch import nn,optim from torch.autograd import Variable import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE" # 數(shù)據(jù)生成 x_data = np.random.rand(100) # 隨機生成1維100個值的數(shù)據(jù) noise = np.random.normal(0,0.01,x_data.shape) y_data = x_data*0.1 + 0.2 + noise x_data,noise,y_data

plt.scatter(x_data,y_data) # 使用散點圖畫圖 plt.show()

x_data = x_data.reshape(-1,1) # 變成二維 表示（任意行，1列） y_data = y_data.reshape(-1,1) x_data.shape,y_data.shape

# 把numpy數(shù)據(jù)變成tensor x_data = torch.FloatTensor(x_data) y_data = torch.FloatTensor(y_data) inputs = Variable(x_data) # 樣本 target = Variable(y_data) # 標簽 # 構(gòu)建神經(jīng)網(wǎng)絡(luò)模型 # 一般把網(wǎng)絡(luò)中具有可學(xué)習(xí)參數(shù)的層放在__init__()中 class LinearRegression(nn.Module): # 構(gòu)建一個線性回歸類# 定義網(wǎng)絡(luò)結(jié)構(gòu)def __init__(self):super(LinearRegression,self).__init__() # 初始化nn.Moduleself.fc = nn.Linear(1,1)# 全連接層 features_in其實就是輸入的神經(jīng)元個數(shù)，features_out就是輸出神經(jīng)元個數(shù)，bias默認為True，這里為了表達方便，就寫了False，一般調(diào)用都是torch.nn.Linear(10, 5)，就是輸入10個，輸出5個神經(jīng)元，且考慮偏置。# 定義網(wǎng)絡(luò)計算def forward(self,x): # x表示網(wǎng)絡(luò)的輸入值out = self.fc(x)# 把一個輸入傳給全連接層return out # 返回一個輸入值 # 定義模型 model = LinearRegression() # 定義代價函數(shù) mse_loss = nn.MSELoss() # 定義優(yōu)化器 optimizer = optim.SGD(model.parameters(),lr=0.1)# SGD隨機梯度下降優(yōu)化函數(shù)，model.parameters()為該實例中可優(yōu)化的參數(shù)，lr為參數(shù)優(yōu)化的選項（學(xué)習(xí)率等） for name,parameters in model.named_parameters(): # 查看模型參數(shù)print("name:{},param{}".format(name,parameters))

# 模型訓(xùn)練 for i in range(1001):out = model(inputs)# 計算lossloss = mse_loss(out,target)# 梯度清零optimizer.zero_grad()# 計算梯度loss.backward()# 修改權(quán)重值optimizer.step()# 打印結(jié)果if i%200 == 0:print(i,loss.item())

# 繪制圖查看擬合效果 y_pred = model(inputs) plt.scatter(x_data,y_data) plt.plot(x_data,y_pred.data.numpy(),"r",lw=3)# 繪制回歸線 plt.show()

非線性回歸

import torch import numpy as np import matplotlib.pyplot as plt %matplotlib inline from torch import nn,optim from torch.autograd import Variable import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE" # 數(shù)據(jù)生成 x_data = np.linspace(-2,2,200)[:,np.newaxis] noise = np.random.normal(0,0.2,x_data.shape) y_data = np.square(x_data) + noise x_data.shape,y_data.shape

plt.scatter(x_data,y_data) # 使用散點圖畫圖 plt.show()

# 把numpy數(shù)據(jù)變成tensor x_data = torch.FloatTensor(x_data) y_data = torch.FloatTensor(y_data) inputs = Variable(x_data) # 樣本 target = Variable(y_data) # 標簽 # 構(gòu)建神經(jīng)網(wǎng)絡(luò)模型 # 一般把網(wǎng)絡(luò)中具有可學(xué)習(xí)參數(shù)的層放在__init__()中 class LinearRegression(nn.Module): # 構(gòu)建一個線性回歸類# 定義網(wǎng)絡(luò)結(jié)構(gòu)def __init__(self):super(LinearRegression,self).__init__() # 初始化nn.Module#features_in其實就是輸入的神經(jīng)元個數(shù)，features_out就是輸出神經(jīng)元個數(shù)，bias默認為True，這里為了表達方便，就寫了False，一般調(diào)用都是torch.nn.Linear(10, 5)，就是輸入10個，輸出5個神經(jīng)元，且考慮偏置。# 網(wǎng)絡(luò)結(jié)構(gòu) 1-10-1 1個輸入10個神經(jīng)元1個輸出self.fc1 = nn.Linear(1,10) # 增加一個全連接層（隱藏層）self.tanh = nn.Tanh() # 激活函數(shù)self.fc2 = nn.Linear(10,1) # 輸出層# 定義網(wǎng)絡(luò)計算def forward(self,x): # x表示網(wǎng)絡(luò)的輸入值x = self.fc1(x) # 把x輸入的值傳給全連接層x = self.tanh(x) # 使用tanh激活計算后x = self.fc2(x) # 傳給輸出return x # 返回 # 定義模型 model = LinearRegression() # 定義代價函數(shù) mse_loss = nn.MSELoss() # 定義優(yōu)化器 optimizer = optim.SGD(model.parameters(),lr=0.1)# SGD隨機梯度下降優(yōu)化函數(shù)，model.parameters()為該實例中可優(yōu)化的參數(shù)，lr為參數(shù)優(yōu)化的選項（學(xué)習(xí)率等） for name,parameters in model.named_parameters(): # 查看模型參數(shù)print("name:{},param{}".format(name,parameters))

# 模型訓(xùn)練 for i in range(2001):out = model(inputs)# 計算lossloss = mse_loss(out,target)# 梯度清零optimizer.zero_grad()# 計算梯度loss.backward()# 修改權(quán)重值optimizer.step()# 打印結(jié)果if i%200 == 0:print(i,loss.item())

# 繪制圖查看擬合效果 y_pred = model(inputs) plt.scatter(x_data,y_data) plt.plot(x_data,y_pred.data.numpy(),"r",lw=3)# 繪制回歸線 plt.show()

總結(jié)

以上是生活随笔為你收集整理的PyTorch基础-线性回归以及非线性回归-02的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。