Pytorch实践（刘二大人）4：用PyTorch实现线性回归

思路

准备数据

1
2
x_data = torch.tensor([[1.0], [2.0], [3.0]])
y_data = torch.tensor([[2.0], [4.0], [6.0]])

定义模型结构

定义线性模型$y = w \times x + b$

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
class LinearModel(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = torch.nn.Linear(1, 1)  # 输入维度1，输出维度1（即 y = w*x + b）

    def forward(self, x):
        y_pred = self.linear(x)  # 计算预测值
        return y_pred

model = LinearModel()  # 创建模型实例

torch.nn.Linear(1, 1)：PyTorch提供的线性层，自动初始化w和b（比如 w=0.5, b=0.3，随机值）

定义损失函数和优化器

1
2
criterion = torch.nn.MSELoss(reduction='sum')  # 均方误差损失（所有样本的误差平方和）
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # 随机梯度下降优化器

损失函数：例如，如果模型预测 y_pred = [1.5, 3.0, 4.5]，正确值是 [2,4,6]，则损失为 (1.5-2)^2 + (3-4)^2 + (4.5-6)^2
优化器：lr=0.01 是学习率（每次调整的步长）。

训练循环

前向传播：

1
y_pred = model(x_data)

用当前的w和b计算预测值

计算损失

1
loss = criterion(y_pred, y_data)

反向传播

1
2
optimize.zero_grad()
loss.backward()

更新参数

1
optimizer.step()

代码实现

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
import torch

x_data = torch.tensor([[1.0], [2.0], [3.0]])
y_data = torch.tensor([[2.0], [4.0], [6.0]])

class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)

    def forward(self, x):
        y_pred = self.linear(x)
        return y_pred

model = LinearModel()

criterion = torch.nn.MSELoss(reduction = 'sum')
optimizer = torch.optim.SGD(model.parameters(), lr = 0.01)

for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

print('w = ', model.linear.weight.item())
print('b = ', model.linear.bias.item())

x_test = torch.tensor([[4.0]])
y_test = model(x_test)
print('y_pred = ', y_test.data)