pytorch如何实现线性拟合方式

这篇文章将为大家详细讲解有关pytorch如何实现线性拟合方式，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。

一维线性拟合

数据为y=4x+5加上噪音

结果：

import numpy as np from mpl_toolkits.mplot3d import Axes3D from matplotlib import pyplot as plt from torch.autograd import Variable import torch from torch import nn   X = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) Y = 4*X + 5 + torch.rand(X.size())   class LinearRegression(nn.Module):  def __init__(self):   super(LinearRegression, self).__init__()   self.linear = nn.Linear(1, 1) # 输入和输出的维度都是1  def forward(self, X):   out = self.linear(X)   return out   model = LinearRegression() criterion = nn.MSELoss() optimizer = torch.optim.SGD(model.parameters(), lr=1e-2)   num_epochs = 1000 for epoch in range(num_epochs):  inputs = Variable(X)  target = Variable(Y)  # 向前传播  out = model(inputs)  loss = criterion(out, target)    # 向后传播  optimizer.zero_grad() # 注意每次迭代都需要清零  loss.backward()  optimizer.step()    if (epoch + 1) % 20 == 0:   print('Epoch[{}/{}], loss:{:.6f}'.format(epoch + 1, num_epochs, loss.item())) model.eval() predict = model(Variable(X)) predict = predict.data.numpy() plt.plot(X.numpy(), Y.numpy(), 'ro', label='Original Data') plt.plot(X.numpy(), predict, label='Fitting Line') plt.show()

多维：

from itertools import count import torch import torch.autograd import torch.nn.functional as F   POLY_DEGREE = 3 def make_features(x):  """Builds features i.e. a matrix with columns [x, x^2, x^3]."""  x = x.unsqueeze(1)  return torch.cat([x ** i for i in range(1, POLY_DEGREE+1)], 1)     W_target = torch.randn(POLY_DEGREE, 1) b_target = torch.randn(1)     def f(x):  return x.mm(W_target) + b_target.item() def get_batch(batch_size=32):  random = torch.randn(batch_size)  x = make_features(random)  y = f(x)  return x, y # Define model fc = torch.nn.Linear(W_target.size(0), 1) batch_x, batch_y = get_batch() print(batch_x,batch_y) for batch_idx in count(1):  # Get data      # Reset gradients  fc.zero_grad()    # Forward pass  output = F.smooth_l1_loss(fc(batch_x), batch_y)  loss = output.item()    # Backward pass  output.backward()    # Apply gradients  for param in fc.parameters():   param.data.add_(-0.1 * param.grad.data)    # Stop criterion  if loss < 1e-3:   break     def poly_desc(W, b):  """Creates a string description of a polynomial."""  result = 'y = '  for i, w in enumerate(W):   result += '{:+.2f} x^{} '.format(w, len(W) - i)  result += '{:+.2f}'.format(b[0])  return result     print('Loss: {:.6f} after {} batches'.format(loss, batch_idx)) print('==> Learned function:\t' + poly_desc(fc.weight.view(-1), fc.bias)) print('==> Actual function:\t' + poly_desc(W_target.view(-1), b_target))

关于“pytorch如何实现线性拟合方式”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，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。