pytorch从入门到精通系列之线性回归

以前的文章有提到，pytorch的入门让人无比愉悦的。但毕竟是深度学习，我说的门槛是和tensorflow比，自己深度学习对于微积分，线性代数和几率论仍是有必定要求的。固然，仍是那句话，其实深度学习涉及的数学原理，比什么SVM,CRF要简单太多，并且深度学习的变化和应用场景比前者要多得多，因此学习深度学习是颇有意义的。

不少官方或非官方的demo，都是长篇大论，由于要演示一个例子，须要准备数据，其实大部分的代码是在准备数据，预处理，与深度学习自己没有太大关系。这样看起来不直观，把初学者都给吓住了。因此，打算写一个入门系列，就是手动造一些简单的数据，就是为了演示用。

 

本文要实现线性函数的拟合，就是好比y = 2*x+3这样的线性函数。首先标准的步骤，导入torch和Variable。

import torch
from torch.autograd import Variable

而后准备简单的数据，x=1,2,3, y = 2,4,6, 线性关系就是y=2*x。注意这里的tensor是3行一列，而后转为Variable。

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

而后就能够定义网络了，全部的模型都须要继承自nn.Module。而后定义一个线性层，参数为1，1。实现forward函数，用做训练迭代。

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

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

直接实例化模型，并定义损失函数，这里按咱们高数里学的，使用最小二乘法。而后使用随机梯度降低对全部可优化参数进行优化，lr是learning_rate学习速率，也就是梯度变化步长。

model = Model()
criterion = nn.MSELoss(size_average=False)

params = model.parameters()
optimizer = torch.optim.SGD(params=params,lr=0.01)

开发循环迭代500次，用x_data经过model获得y_pred，也是一个3x1的矩阵。而后经过criterion求loss值。

for epoch in range(500):
    y_pred = model(x_data)#3x1
    loss = criterion(y_pred,y_data)
    #这里能够把loss打印出来看，值都是同样的，由于咱们没有优化参数。使用data[0]是由于loss.data是一个list
    print(epoch,loss.data[0])

    #而后是三步标准的，导数归0，反向求导，反向传播  

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

这里值得注意就是每一个epoch，梯度都要归零。

print('训练完成！')
x_test = Variable(torch.Tensor([[4.0]]))
y_test = model(x_test)
#y_test是一个Variable,包括.data是一个FloatTensor，size=1x1
print('x_test:%d,预测值为%f'%(x_test.data[0][0],y_test.data[0][0]))

最后使用训练好的模型去测试，看下结果：

训练完成！

x_test:4,预测值为7.975748

 

关于做者：魏佳斌，互联网产品/技术总监，北京大学光华管理学院（MBA）,特许金融分析师（CFA），资深产品经理/码农。偏心python，深度关注互联网趋势，人工智能，AI金融量化。致力于使用最前沿的认知技术去理解这个复杂的世界。

扫描下方二维码，关注：AI量化实验室（ailabx），了解AI量化最前沿技术、资讯。