[深度学习][pytorch]pytorch实现一个简单得线性回归模型并训练

一个典型的神经网络的训练过程如下：

定义具有学习参数（或权重）的神经网络
迭代输入数据集
根据神经网络对输入数据集进行运算
计算损失（输出与真实结果的距离，损失越小说明模型越准确）
将梯度反向传播给神经网络的参数
更新网络的权重（或参数）。通常使用一种简单的更新规则：权重 = 权重 - 学习率 * 梯度
线性回归模型目标：

构造一组输入数据 x 和其对应的标签 y ，让模型学习拟合出 w 和 b。
我们这里要模拟出的线性回归函数：y = 2x + 1
x 给的是从 0 - 10 一共11个数(11行1列的矩阵)     对应的y就是 1 - 21 也是11个数(11行1列的矩阵)

import numpy as np
import torch
import torch.nn as nn

构造X训练数据
x_values = [i for i in range(11)]
x_train = np.array(x_values,dtype=np.float32)
x_train = x_train.reshape(-1,1)
x_train.shape

(11,1)

构造y训练数据
y_values = [2*i+1 for i in x_values]
y_train = np.array(y_values,dtype=np.float32)
y_train = y_train.reshape(-1,1)
y_train.shape

(11,1)

建立网络模型：1.实现init（）用到了哪个层 2.前向传播forward（）怎么实现的
线性回归模型：一个不加激活函数的全连接层
class LinearRegressionModel(nn.Module):
    def __init__(self, input_dim, output_dim):
        super(LinearRegressionModel, self).__init__()
        self.linear = nn.Linear(input_dim, output_dim) #全连接层 给定输入/出数据的维度 

    def forward(self, x):
        out = self.linear(x)#走全连接层 输入x，得到输出out
        return out

input_dim = 1
output_dim = 1
model = LinearRegressionModel(input_dim,output_dim)

指定参数和损失函数
epochs = 1000 #迭代1000次
learning_rate = 0.01 #学习率
optimizer = torch.optim.SGD(model.parameters(),lr=learning_rate) #优化器 模型的参数 学习率
criterion = nn.MSELoss() #损失函数 

训练模型
for epoch in range(epochs):
    epoch += 1
    #x，y数据转换成tensor格式
    inputs = torch.from_numpy(x_train)
    labels = torch.from_numpy(y_train)
    
    #梯度要清零 不然会对上一次迭代的结果进行累加
    optimizer.zero_grad()
    
    #前向传播
    outputs = model(inputs)
    
    #计算损失
    loss = criterion(outputs,labels)
    
    #反向传播
    loss.backward()
    
    #更新权重参数
    optimizer.step()
    if epoch%50 ==0:
        print('epoch {}, loss {}'.format(epoch, loss.item()))

 

测试模型预测结果
predicted = model(torch.from_numpy(x_train).requires_grad_()).data.numpy()
predicted

 

模型的保存与读取
torch.save(model.state_dict(),'linear_regression_model.pkl')

model.load_state_dict(torch.load('linear_regression_model.pkl'))

数据和模型传入cuda——用GPU训练

 

 

 

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 = 1
output_dim = 1

model = LinearRegressionModel(input_dim, output_dim)

#设置cuda
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
#模型传入cuda
model.to(device)

criterion = nn.MSELoss()

learning_rate = 0.01

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

epochs = 1000
for epoch in range(epochs):
    epoch += 1
    #inputs和labels的数据 传入cuda
    inputs = torch.from_numpy(x_train).to(device)
    labels = torch.from_numpy(y_train).to(device)

    optimizer.zero_grad() 

    outputs = model(inputs)

    loss = criterion(outputs, labels)

    loss.backward()

    optimizer.step()

    if epoch % 50 == 0:
        print('epoch {}, loss {}'.format(epoch, loss.item()))