pytorch怎样实现线性回归

这篇文章给大家分享的是有关pytorch怎样实现线性回归的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。

具体内容如下

# 随机初始化一个二维数据集，使用朋友torch训练一个回归模型import numpy as npimport randomimport matplotlib.pyplot as pltx = np.arange(20)y = np.array([5*x[i] + random.randint(1,20) for i in range(len(x))])    # random.randint(参数1,参数2)函数返回参数1和参数2之间的任意整数print('-'*50)# 打印数据集print(x)print(y)import torchx_train = torch.from_numpy(x).float()y_train = torch.from_numpy(y).float()# modelclass LinearRegression(torch.nn.Module):    def __init__(self):        super(LinearRegression, self).__init__()        # 输入与输出都是一维的        self.linear = torch.nn.Linear(1,1)    def forward(self,x):        return self.linear(x)# 新建模型，误差函数，优化器model = LinearRegression()criterion = torch.nn.MSELoss()optimizer = torch.optim.SGD(model.parameters(),0.001)# 开始训练num_epoch = 20for i in range(num_epoch):    input_data = x_train.unsqueeze(1)    target = y_train.unsqueeze(1)           # unsqueeze(1)在第二维增加一个维度    out = model(input_data)    loss = criterion(out,target)    optimizer.zero_grad()    loss.backward()    optimizer.step()    print("Eopch:[{}/{},loss:[{:.4f}]".format(i+1,num_epoch,loss.item()))    if ((i+1)%2 == 0):        predict = model(input_data)        plt.plot(x_train.data.numpy(),predict.squeeze(1).data.numpy(),"r")        loss = criterion(predict,target)        plt.title("Loss:{:.4f}".format(loss.item()))        plt.xlabel("X")        plt.ylabel("Y")        plt.scatter(x_train,y_train)        plt.show()

实验结果：

感谢各位的阅读！关于“pytorch怎样实现线性回归”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！