【深度学习实战】线性回归问题

剑魂

1. import numpy as np
   
2. import torch
   
3. import torch.nn as nn
   
4. np.random.seed(42)
   
5. # 生成随机数据
   
6. x = np.random.rand(100,1)
   
7. y = 1 + 2*x + 0.1*np.random.randn(100,1)
   
8. # 将数据转化成pytorch tensor
   
9. x_tensor = torch.from_numpy(x).float()
   
10. y_tensor = torch.from_numpy(y).float()
    
11. # 设置超参数
    
12. learning_rate = 0.1
    
13. num_epochs = 1000
    
14. input_dim = 1
    
15. output_dim = 1
    
16. model = nn.Linear(input_dim,output_dim)
    
17. criterion = nn.MSELoss()
    
18. optimizer = torch.optim.SGD(model.parameters(),lr = learning_rate)
    
19. # 开始训练
    
20. for epoch in range(num_epochs):
    
21.     y_pred = model(x_tensor)
    
22.     loss = criterion(y_pred,y_tensor)
    
23.     optimizer.zero_grad()
    
24.     loss.backward()
    
25.     optimizer.step()
    
26. print("w:",model.weight.data)
    
27. print("b:",model.bias.data)

复制代码

FishC

这段代码是一个简单的线性回归问题的实现。让我们逐行来解释一下。

首先，导入必要的库并设置随机种子，以确保结果的可重复性：

1. import numpy as np
   
2. import torch
   
3. import torch.nn as nn
   
4. np.random.seed(42)

复制代码

然后，生成随机数据集。这里使用了numpy库来生成100个随机数作为输入特征x，并生成对应的输出标签y：

1. x = np.random.rand(100,1)
   
2. y = 1 + 2*x + 0.1*np.random.randn(100,1)

复制代码

接下来，将生成的数据转化成PyTorch Tensor，以便与PyTorch模型进行计算：

1. x_tensor = torch.from_numpy(x).float()
   
2. y_tensor = torch.from_numpy(y).float()

复制代码

然后，设置学习率、迭代次数、输入和输出维度，并初始化线性模型、损失函数和优化器：

1. learning_rate = 0.1
   
2. num_epochs = 1000
   
3. input_dim = 1
   
4. output_dim = 1
   
5. model = nn.Linear(input_dim,output_dim)
   
6. criterion = nn.MSELoss()
   
7. optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

复制代码

接下来是模型的训练过程。在每个epoch中，通过模型前向传播获得预测结果y_pred，计算当前的损失值loss，然后通过反向传播更新模型参数：

1. for epoch in range(num_epochs):
   
2.     y_pred = model(x_tensor)
   
3.     loss = criterion(y_pred, y_tensor)
   
4.     optimizer.zero_grad()
   
5.     loss.backward()
   
6.     optimizer.step()

复制代码

最后，输出线性模型的权重和偏置：

1. print("w:", model.weight.data)
   
2. print("b:", model.bias.data)

复制代码

这样就完成了线性回归问题的训练和预测过程。希望这个解释对你有帮助！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。