Pytorch 简明教程

PyTorch - Linear Regression

在本章中，我们将重点介绍使用 TensorFlow 实现线性回归的基本示例。逻辑回归或线性回归是一种监督式机器学习方法，用于对离散类别顺序进行分类。我们在本章的目标是构建一个模型，用户可以通过它预测预测变量和一个或多个自变量之间的关系。

这两个变量之间的关系被认为是线性的，即，如果 y 是因变量且 x 被认为是自变量，那么两个变量的线性回归关系将看起来像下面提到的方程式：

Y = Ax+b

接下来，我们将设计一个线性回归算法，它使我们能够理解下面给出的两个重要概念：

  1. Cost Function

  2. Gradient Descent Algorithms

线性回归的示意图如下：

Interpreting the result

Y=ax+b

  1. @ {s0} 的值为斜率。

  2. b 的值为 y − intercept 。

  3. r 是 correlation coefficient 。

  4. r2 是 correlation coefficient 。

线性回归方程的图形视图如下：

interpreting result

使用 PyTorch 实现线性回归，采用以下步骤：

Step 1

使用以下代码导入为在 PyTorch 中创建线性回归所需的包：

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation
import seaborn as sns
import pandas as pd
%matplotlib inline

sns.set_style(style = 'whitegrid')
plt.rcParams["patch.force_edgecolor"] = True

Step 2

按照以下步骤创建包含可用数据集的单个训练集：

m = 2 # slope
c = 3 # interceptm = 2 # slope
c = 3 # intercept
x = np.random.rand(256)

noise = np.random.randn(256) / 4

y = x * m + c + noise

df = pd.DataFrame()
df['x'] = x
df['y'] = y

sns.lmplot(x ='x', y ='y', data = df)
single training

Step 3

按照以下步骤使用 PyTorch 库实现线性回归：

import torch
import torch.nn as nn
from torch.autograd import Variable
x_train = x.reshape(-1, 1).astype('float32')
y_train = y.reshape(-1, 1).astype('float32')

class LinearRegressionModel(nn.Module):
   def __init__(self, input_dim, output_dim):
      super(LinearRegressionModel, self).__init__()
      self.linear = nn.Linear(input_dim, output_dim)

   def forward(self, x):
      out = self.linear(x)
      return out
input_dim = x_train.shape[1]
output_dim = y_train.shape[1]
input_dim, output_dim(1, 1)
model = LinearRegressionModel(input_dim, output_dim)
criterion = nn.MSELoss()
[w, b] = model.parameters()

def get_param_values():
   return w.data[0][0], b.data[0]

def plot_current_fit(title = ""):
plt.figure(figsize = (12,4))
plt.title(title)
plt.scatter(x, y, s = 8)
w1 = w.data[0][0]
b1 = b.data[0]
x1 = np.array([0., 1.])
y1 = x1 * w1 + b1
plt.plot(x1, y1, 'r', label = 'Current Fit ({:.3f}, {:.3f})'.format(w1, b1))
plt.xlabel('x (input)')
plt.ylabel('y (target)')
plt.legend()
plt.show()
plot_current_fit('Before training')

生成的图如下：

plot generated