pytorch 线性回归总结

news/2024/5/17 3:55:08/文章来源:https://blog.csdn.net/qq_45759229/article/details/130036498

测试1(y=3∗x1−4∗x2y=3*x_{1}-4*x_{2}y=3∗x1​−4∗x2​),lr=1e-2

%matplotlib inline
import torch
import numpy as np
torch.manual_seed(1)
from torch.nn import Linear
from torch.autograd import Variable
import torch.nn as nn
import random
np.random.seed(1)
random.seed(1)   #每次运行的结果都一样
torch.manual_seed(1) import torch
import matplotlib.pyplot as plt# x1 = torch.unsqueeze(torch.linspace(-1, 1, 200), dim=1)
# x2 = torch.unsqueeze(torch.linspace(-2, 2, 200), dim=1)
#x3 = torch.unsqueeze(torch.linspace(-2, 2, 100), dim=1)x1=torch.randn(200,1)
x2=torch.randn(200,1)y = 3*x1 -4*x2# # 画图
# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()
# import numpy as np
# import matplotlib.pyplot as plt
# from mpl_toolkits import mplot3d# ax = plt.axes(projection='3d')
# ax.scatter3D(x1.data.numpy(), x2.data.numpy(),y.data.numpy())
# print(x1.size())
# print(x2.size())
# print(y.size())
#torch.cat((x1,x2),dim=1)#保持
class Net(nn.Module):#这里是大写的Moduledef __init__(self):super(Net,self).__init__()self.Linear=nn.Linear(2,1)#把线性层赋值给自己的属性def forward(self,x):#forward()是有两个参数的x=self.Linear(x)return x
model=Net()#网络
print(model)
criter=torch.nn.MSELoss()#损失函数#optimizer = torch.optim.SGD(model.parameters(), lr=1e-2)#优化器optimizer=torch.optim.Adam(model.parameters(),lr=1e-2)
#还需要一个DataGenerator()
num_epochs=1000
for i in range(num_epochs):#向前传播input=Variable(torch.cat((x1,x2),dim=1))target=Variable(y)out=model(input)#loss=criter(out,target)##向后传播optimizer.zero_grad()#梯度清0loss.backward()#反向传播optimizer.step()#更新梯度print("epoch=%d,loss=%.6f"%(i,loss.item()))
#model.eval()
print(model)
parm={}
for name,parameters in model.named_parameters():print(name,':',parameters.size())parm[name]=parameters.detach().numpy()
print(parm)

结果如下
在这里插入图片描述
可以看到这个结果是准确的，但是一定要注意迭代的次数不能太少，且学习率不能太低，否则不容易收敛到真值，从而怀疑是不是自己代码写错了

测试2(y=3∗x1−4∗x2y=3*x_{1}-4*x_{2}y=3∗x1​−4∗x2​,lr=1e-3)

%matplotlib inline
import torch
import numpy as np
torch.manual_seed(1)
from torch.nn import Linear
from torch.autograd import Variable
import torch.nn as nn
import random
np.random.seed(1)
random.seed(1)   #每次运行的结果都一样
torch.manual_seed(1) import torch
import matplotlib.pyplot as plt# x1 = torch.unsqueeze(torch.linspace(-1, 1, 200), dim=1)
# x2 = torch.unsqueeze(torch.linspace(-2, 2, 200), dim=1)
#x3 = torch.unsqueeze(torch.linspace(-2, 2, 100), dim=1)x1=torch.randn(200,1)
x2=torch.randn(200,1)y = 3*x1 -4*x2# # 画图
# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()
# import numpy as np
# import matplotlib.pyplot as plt
# from mpl_toolkits import mplot3d# ax = plt.axes(projection='3d')
# ax.scatter3D(x1.data.numpy(), x2.data.numpy(),y.data.numpy())
# print(x1.size())
# print(x2.size())
# print(y.size())
#torch.cat((x1,x2),dim=1)#保持
class Net(nn.Module):#这里是大写的Moduledef __init__(self):super(Net,self).__init__()self.Linear=nn.Linear(2,1)#把线性层赋值给自己的属性def forward(self,x):#forward()是有两个参数的x=self.Linear(x)return x
model=Net()#网络
print(model)
criter=torch.nn.MSELoss()#损失函数#optimizer = torch.optim.SGD(model.parameters(), lr=1e-2)#优化器optimizer=torch.optim.Adam(model.parameters(),lr=1e-3)
#还需要一个DataGenerator()
num_epochs=1000
for i in range(num_epochs):#向前传播input=Variable(torch.cat((x1,x2),dim=1))target=Variable(y)out=model(input)#loss=criter(out,target)##向后传播optimizer.zero_grad()#梯度清0loss.backward()#反向传播optimizer.step()#更新梯度print("epoch=%d,loss=%.6f"%(i,loss.item()))
#model.eval()
print(model)
parm={}
for name,parameters in model.named_parameters():print(name,':',parameters.size())parm[name]=parameters.detach().numpy()
print(parm)
## 如果学习率过低，收敛很慢

结果如下
在这里插入图片描述
可以看到这里没有收敛的，

测试3(y=3∗x+4y = 3*x +4y=3∗x+4一元线性回归）

%matplotlib inline
import torch
import numpy as np
torch.manual_seed(1)
from torch.nn import Linear
from torch.autograd import Variable
import torch.nn as nn
import random
np.random.seed(1)
random.seed(1)   #每次运行的结果都一样
torch.manual_seed(1) import torch
import matplotlib.pyplot as pltx1=torch.randn(200,1)y = 3*x1 +4# # 画图
# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()
# import numpy as np
# import matplotlib.pyplot as plt
# from mpl_toolkits import mplot3d# ax = plt.axes(projection='3d')
# ax.scatter3D(x1.data.numpy(), x2.data.numpy(),y.data.numpy())
# print(x1.size())
# print(x2.size())
# print(y.size())
#torch.cat((x1,x2),dim=1)#保持
class Net(nn.Module):#这里是大写的Moduledef __init__(self):super(Net,self).__init__()self.Linear=nn.Linear(1,1)#把线性层赋值给自己的属性def forward(self,x):#forward()是有两个参数的x=self.Linear(x)return x
model=Net()#网络
print(model)
criter=torch.nn.MSELoss()#损失函数#optimizer = torch.optim.SGD(model.parameters(), lr=1e-2)#优化器optimizer=torch.optim.Adam(model.parameters(),lr=1e-2)
#还需要一个DataGenerator()
num_epochs=1000
for i in range(num_epochs):#向前传播input=Variable(x1)target=Variable(y)out=model(input)#loss=criter(out,target)##向后传播optimizer.zero_grad()#梯度清0loss.backward()#反向传播optimizer.step()#更新梯度print("epoch=%d,loss=%.6f"%(i,loss.item()))
#model.eval()
print(model)
parm={}
for name,parameters in model.named_parameters():print(name,':',parameters.size())parm[name]=parameters.detach().numpy()
print(parm)

结果如下
在这里插入图片描述

测试4 y=3∗x+4y = 3*x +4y=3∗x+4 使用dataloader-batch_size=32

%matplotlib inline
import torch
import numpy as np
torch.manual_seed(1)
from torch.nn import Linear
from torch.autograd import Variable
from torch.utils.data import DataLoader, Dataset,TensorDataset
import torch.nn as nn
import random
np.random.seed(1)
random.seed(1)   #每次运行的结果都一样
torch.manual_seed(1) import torch
import matplotlib.pyplot as pltx1=torch.randn(200,1)y = 3*x1 +4# # 画图
# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()
# import numpy as np
# import matplotlib.pyplot as plt
# from mpl_toolkits import mplot3d# ax = plt.axes(projection='3d')
# ax.scatter3D(x1.data.numpy(), x2.data.numpy(),y.data.numpy())
# print(x1.size())
# print(x2.size())
# print(y.size())
#torch.cat((x1,x2),dim=1)#保持
class Net(nn.Module):#这里是大写的Moduledef __init__(self):super(Net,self).__init__()self.Linear=nn.Linear(1,1)#把线性层赋值给自己的属性def forward(self,x):#forward()是有两个参数的x=self.Linear(x)return x
model=Net()#网络
print(model)
criter=torch.nn.MSELoss()#损失函数dataset = TensorDataset(torch.FloatTensor(x1),torch.FloatTensor(y))dataloader = DataLoader(dataset,batch_size = 32)#optimizer = torch.optim.SGD(model.parameters(), lr=1e-2)#优化器optimizer=torch.optim.Adam(model.parameters(),lr=1e-3)
#还需要一个DataGenerator()
num_epochs=1000
for epoch in range(num_epochs):#向前传播mse_loss=0for idx,(input_x,target_y) in enumerate(dataloader):input=Variable(input_x)target=Variable(target_y)out=model(input)#loss=criter(out,target)#mse_loss += loss.item()#向后传播optimizer.zero_grad()#梯度清0loss.backward()#反向传播optimizer.step()#更新梯度print("epoch={},mse loss ={}".format(epoch,mse_loss/len(dataloader)))
model.eval()
print(model)
parm={}
for name,parameters in model.named_parameters():print(name,':',parameters.size())parm[name]=parameters.detach().numpy()
print(parm)

在这里插入图片描述可以看到使用batch_size进行训练时，也是可以得到准确的结果的

测试5(y=3∗x1−4∗x2+2.30y=3*x1-4*x2+2.30y=3∗x1−4∗x2+2.30 dataloader,batch_size=32)

%matplotlib inline
import torch
import numpy as np
torch.manual_seed(1)
from torch.nn import Linear
from torch.autograd import Variable
from torch.utils.data import DataLoader, Dataset,TensorDataset
import torch.nn as nn
import random
np.random.seed(1)
random.seed(1)   #每次运行的结果都一样
torch.manual_seed(1) import torch
import matplotlib.pyplot as plt# x1 = torch.unsqueeze(torch.linspace(-1, 1, 200), dim=1)
# x2 = torch.unsqueeze(torch.linspace(-2, 2, 200), dim=1)
#x3 = torch.unsqueeze(torch.linspace(-2, 2, 100), dim=1)x1=torch.randn(200,1)
x2=torch.randn(200,1)y = 3*x1 -4*x2 + 2.30class Net(nn.Module):#这里是大写的Moduledef __init__(self):super(Net,self).__init__()self.Linear=nn.Linear(2,1)#把线性层赋值给自己的属性def forward(self,x):#forward()是有两个参数的x=self.Linear(x)return x
model=Net()#网络
print(model)
criter=torch.nn.MSELoss()#损失函数#optimizer = torch.optim.SGD(model.parameters(), lr=1e-2)#优化器optimizer=torch.optim.Adam(model.parameters(),lr=1e-2)
dataset = TensorDataset(torch.FloatTensor(x1),torch.FloatTensor(x2),torch.FloatTensor(y))
dataloader = DataLoader(dataset,batch_size = 32)#还需要一个DataGenerator()
num_epochs=1000
for epoch in range(num_epochs):mse_loss=0for idx,(input_x1,input_x2,target_y) in enumerate(dataloader):#向前传播input=Variable(torch.cat((input_x1,input_x2),dim=1))target=Variable(target_y)out=model(input)#loss=criter(out,target)#mse_loss += loss.item()#向后传播optimizer.zero_grad()#梯度清0loss.backward()#反向传播optimizer.step()#更新梯度print("epoch={},mse loss ={}".format(epoch,mse_loss/len(dataloader)))
#model.eval()
print(model)
parm={}
for name,parameters in model.named_parameters():print(name,':',parameters.size())parm[name]=parameters.detach().numpy()
print(parm)

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.luyixian.cn/news_show_283811.aspx

如若内容造成侵权/违法违规/事实不符，请联系dt猫网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Robocup 仿真2D 学习笔记（四）阵型编辑

Robocup 仿真2D 学习笔记（四）阵型编辑

一、阵型文件介绍 阵型文件里设置的是球员在比赛中的跑位点 基于helios base的阵型文件，在目录/src/formations-dt中 阵型的调用在/src/strategy.cpp 文件： before-kick-off.conf 是球员上场之后的阵型 （或进球等待开球） no…
阅读更多...
049：cesium加载czml文件,显示图形

049：cesium加载czml文件,显示图形

第049个 点击查看专栏目录 本示例的目的是介绍如何在vue+cesium中加载czml文件, 显示图形。这是官网的一个示例，这里转换了处理方式。 直接复制下面的 vue+cesium源代码，操作2分钟即可运行实现效果. 文章目录 示例效果配置方式示例源代码（共78行）相关API参考：专栏目标示…
阅读更多...
暴击一棵树——二叉树入门一（入门基础概念）

暴击一棵树——二叉树入门一（入门基础概念）

目录 1.树的概念 2.二叉树的概念 二叉树（Binary Tree） 满二叉树（Full Binary Tree） 完全二叉树（Complete Binary Tree） 3.堆和二叉树 4、二叉树的结构 1.二叉树的逻辑结构 2.二叉树的物理结构 1.树…
阅读更多...
《钢琴调律师 五级》 笔记

《钢琴调律师 五级》 笔记

声音产生的三个条件：物体振动、媒质传播、人耳接收 复合音：由一些频率不同的简谐成分合成的声音。大多数乐器都是复合音，因此才各有不同的音色特征 纯音：物体做简谐振动所产生的声音 乐音：指有较为明确音调感的声音。噪…
阅读更多...
spark第七章：SparkStreaming实例

spark第七章：SparkStreaming实例

系列文章目录 系列文章目录 spark第一章：环境安装 spark第二章：sparkcore实例 spark第三章：工程化代码 spark第四章：SparkSQL基本操作 spark第五章：SparkSQL实例 spark第六章：SparkStreaming基本操作 spa…
阅读更多...
javaEE+jsp820高校校园设备报修系统dzkfa9程序mysql

javaEE+jsp820高校校园设备报修系统dzkfa9程序mysql

1．系统登录：系统登录是用户访问系统的路口，设计了系统登录界面，包括用户名、密码和验证码，然后对登录进来的用户判断身份信息，判断是管理员用户还是普通用户。 2．系统用户管理：不管是…
阅读更多...
从C出发 13 --- 多维数组

从C出发 13 --- 多维数组

数组的本质是数据集合，我们在程序里面操作数组，就是在操作数据 数组中的元素能不能是其他程序元素? 这个说法只是表示数组里面的元素是int 类型 而这个数组的类型是 int [5] 由元素类型和数组大小共同决定 int a[10] {0}; // a的类型 : int[10]…
阅读更多...
文件小注意

文件小注意

目录 0 前言 1 标识 O_CREAT O_APPEND 2 ftruncate与truncate 3 O_DIRECT与O_DSYNC、O_SYNC 4 open与fopen 5 关于mmap 0 前言 文件操作在软件开发中是很常见的一件事。虽然与它相关的工作看起来不怎么起眼，无非就是通过通过open、read、write、close几个调用…
阅读更多...
【MySQL】主从复制过程（实践）

【MySQL】主从复制过程（实践）

1.安装好2台数据库服务器的系统，然后安装好MySQL软件 [rootjd-mysql ~]# mysql --version mysql Ver 14.14 Distrib 5.7.40, for linux-glibc2.12 (x86_64) using EditLine wrapper[rootjd-mysql-2 ~]# mysql --version …
阅读更多...
第03章_用户与权限管理

第03章_用户与权限管理

第03章_用户与权限管理 1. 用户管理 ​ MysQL用户可以分为普通用户和root用户。root用户是超级管理员，拥有所有权限，包括创建用户 、删除用户和修改用户的密码等管理权限;普通用户只拥有被授予的各种权限。 MysQL提供了许多语句用来管理用户账号&#…
阅读更多...
认识C++字符串复合类型

认识C++字符串复合类型

目录 前言： 1.数组 1.1C的数组 1.2C数组初始化 *2.字符串 2.1字符串与数组 2.2字符数组的存储 2.3字符串输入cin 2.4cin.getline() 2.5cin.get() 2.6函数重载例子 2.7混合输入数字和字符串 前言： C与C语言在内容上有些是一样的，也…
阅读更多...
Zooker配置与测试

Zooker配置与测试

目录 1.介绍 2.配置 1.配置准备 2.配置修改 3.测试 1.介绍 2.配置 1.配置准备 zookeeper官网:Apache ZooKeeper （1）安装 JDK （2）拷贝 apache-zookeeper-3.5.7-bin.tar.gz 安装包到software目录下 （3）解…
阅读更多...
mysql常用的基础命令

mysql常用的基础命令

通过学习mysql命令提高数据处理和工作效率 基础命令 1.登录MySQL mysql -u root -p 2.查看当前系统所有数据库 show databases; 3.切换数据库 use 数据库名称 4.查看数据库下的所有表 show tables; 5.查看表结构； desc 表名； 6.创建数据库 crea…
阅读更多...
CentOS7的下载、安装和配置（详细图解）

CentOS7的下载、安装和配置（详细图解）

CentOS7安装包的下载 Centos7的安装包可以去官网（https://www.centos.org/）下载，但速度比较慢。 也可以用搜索引擎搜索国内镜像站点的安装包文件与官网同步，下载的速度非常快。 CentOS7软件安装包的分享 百度网盘分享&#xff…
阅读更多...
python函数详解_INDEX函数

python函数详解_INDEX函数

一. 函数的作用 函数就是将一段具有独立功能的代码块 整合到一个整体并命名，在需要的位置调用这个名称即可完成对应的需求。 函数在开发过程中，可以更高效的实现代码重用。 二. 函数的使用步骤 1. 定义函数 def 函数名(参数):代码1代码2...... 复制 …
阅读更多...
usb_cam相机录制rosbag

usb_cam相机录制rosbag

文章目录运行环境：1.1 usb_cam连接：1.2 usb-cam启动1.2 查看相机话题名称2.1 rosbag录制2.2 播放rosbag运行环境： ubuntu20.04 noetic 杰瑞微通usb_cam（分辨率640x480） 宏基暗影骑士笔记本 1.1 usb_cam连接&#xff…
阅读更多...
Golang每日一练(leetDay0030)

Golang每日一练(leetDay0030)

目录 88. 合并两个有序数组 Merge Sorted Array 🌟 89. 格雷编码 Gray Code 🌟🌟 90. 子集 II Subsets II 🌟🌟 🌟 每日一练刷题专栏 🌟 Golang每日一练 专栏 Python每日一练 专栏 C/…
阅读更多...
Linux复习 / 进程控制QA梳理

Linux复习 / 进程控制QA梳理

文章目录前言Q&A进程终止Q：exit和_exit的区别？Q：内核是如何终止进程的？进程等待Q：为什么要等待子进程？Q：如何等待子进程（wait/waitpid的区别）？进程替换Q&…
阅读更多...
TCP协议工作机制二(滑动窗口,流量控制,拥塞控制,延时应答,捎带应答等)

TCP协议工作机制二(滑动窗口,流量控制,拥塞控制,延时应答,捎带应答等)

目录 滑动窗口 流量控制 拥塞控制 延时应答 捎带应答 面向字节流 异常情况 UDP和TCP对比 滑动窗口 由于TCP是可靠传输,有确认应答,超时重传,连接管理等机制,发送消息时需要等待接收方返回的ack.因此会消耗大量等待ack的时间,我们引入滑动窗口的机制来竭尽可能提高TCP的…
阅读更多...
【Linux】环境变量进程虚拟地址空间

【Linux】环境变量进程虚拟地址空间

环境变量&进程虚拟地址空间环境变量一些常见的环境变量-PATH修改环境变量进程虚拟地址空间环境变量 使用ls man pwd cd echo 这些指令时，不需要加./但是要运行我们自己的可执行程序就需要加上，本质上两个都是指令，为什么执行方法不同&am…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发 尧图建网站 广利置业