PyTorch实现线性回归以及多元回归

在本文中，我们将介绍如何使用PyTorch实现线性回归和多元回归。我们将提供两个示例，一个是线性回归，另一个是多元回归。

示例1：线性回归

以下是使用PyTorch实现线性回归的示例代码：

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt

# Generate random data
np.random.seed(0)
x = np.random.rand(100, 1)
y = 2 + 3 * x + np.random.rand(100, 1)

# Convert data to tensors
inputs = torch.from_numpy(x).float()
targets = torch.from_numpy(y).float()

# Define linear regression model
model = nn.Linear(1, 1)

# Define loss function
criterion = nn.MSELoss()

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

# Train the model
num_epochs = 1000
for epoch in range(num_epochs):
    # Forward pass
    outputs = model(inputs)
    loss = criterion(outputs, targets)

    # Backward and optimize
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # Print progress
    if (epoch+1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# Plot the results
predicted = model(inputs).detach().numpy()
plt.plot(x, y, 'ro', label='Original data')
plt.plot(x, predicted, label='Fitted line')
plt.legend()
plt.show()

在这个示例中，我们首先生成了一些随机数据。然后，我们将数据转换为PyTorch张量，并定义了一个名为model的线性回归模型。接下来，我们定义了损失函数和优化器，并使用它们训练模型。最后，我们绘制了原始数据和拟合线。

示例2：多元回归

以下是使用PyTorch实现多元回归的示例代码：

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

# Generate random data
np.random.seed(0)
x = np.random.rand(100, 3)
y = 2 + 3 * x[:,0:1] + 4 * x[:,1:2] + 5 * x[:,2:3] + np.random.rand(100, 1)

# Convert data to tensors
inputs = torch.from_numpy(x).float()
targets = torch.from_numpy(y).float()

# Define linear regression model
model = nn.Linear(3, 1)

# Define loss function
criterion = nn.MSELoss()

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

# Train the model
num_epochs = 1000
for epoch in range(num_epochs):
    # Forward pass
    outputs = model(inputs)
    loss = criterion(outputs, targets)

    # Backward and optimize
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # Print progress
    if (epoch+1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# Print the learned coefficients
print('Learned coefficients:')
for name, param in model.named_parameters():
    if param.requires_grad:
        print(name, param.data)

在这个示例中，我们首先生成了一些随机数据。然后，我们将数据转换为PyTorch张量，并定义了一个名为model的多元回归模型。接下来，我们定义了损失函数和优化器，并使用它们训练模型。最后，我们打印了学习到的系数。

总结

在本文中，我们介绍了如何使用PyTorch实现线性回归和多元回归，并提供了两个示例说明。这些技术对于在深度学习模型中使用回归非常有用。