[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'))
 <All keys matched successfully>

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 outinput_dim = 1
 output_dim = 1model = 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()))