从零开始深度学习Pytorch笔记(7)—— 使用Pytorch实现线性回归-技术圈

前文传送门：

从零开始深度学习Pytorch笔记（1）——安装Pytorch

从零开始深度学习Pytorch笔记（2）——张量的创建（上）

从零开始深度学习Pytorch笔记（3）——张量的创建（下）

从零开始深度学习Pytorch笔记（4）——张量的拼接与切分

从零开始深度学习Pytorch笔记（5）——张量的索引与变换

从零开始深度学习Pytorch笔记（6）——张量的数学运算

在该系列的上一篇，我们介绍了Pytorch中的张量的数学运算，本文教会大家使用Pytorch搭建一个线性回归模型。

说到线性回归，从某种程度上可以算是最简单的机器学习模型了。具体的理论推导我这里就不多说了，网上随手一搜就有。

我们着重讲讲使用Pytorch搭建模型的过程。

首先贴出可实现的代码：

import torch
import matplotlib.pyplot as plt

torch.manual_seed(10)#随机数种子
lr = 0.1 #学习率

#创建训练数据
x = torch.rand(20,1)*10 #shape(20,1)
y = 2*x + (5 + torch.randn(20,1)) #shape(20,1)

#构建线性回归参数
w = torch.randn((1),requires_grad=True)#随机初始化w，要用到自动梯度求导
b = torch.zeros((1),requires_grad=True)#使用0初始化b，要用到自动梯度求导

for iteration in range(1000):

    #前向传播
    wx = torch.mul(w,x) # w*x
    y_pred = torch.add(wx,b) # y = w*x + b

    #计算 MSE loss
    loss = (0.5*(y-y_pred)**2).mean()

    #反向传播
    loss.backward()

    #更新参数
    b.data.sub_(lr*b.grad) # b = b - lr*b.grad
    w.data.sub_(lr*w.grad) # w = w - lr*w.grad

    #绘图
    if iteration % 20 == 0:
        plt.scatter(x.data.numpy(),y.data.numpy())
        plt.plot(x.data.numpy(),y_pred.data.numpy(),'r-',lw=5)
        plt.text(2,20,'Loss=%.4f'%loss.data.numpy(),fontdict={'size':20,'color':'red'})
        plt.xlim(1.5,10)
        plt.ylim(8,28)
        plt.title("Iteration:{}\nw:{},b:{}".format(iteration,w.data.numpy(),b.data.numpy()))
        plt.pause(0.5)

        if loss.data.numpy() < 1:#停止条件
            break