線性回歸實戰(zhàn)

創(chuàng)新互聯(lián)專注于同江網(wǎng)站建設服務及定制，我們擁有豐富的企業(yè)做網(wǎng)站經(jīng)驗。 熱誠為您提供同江營銷型網(wǎng)站建設，同江網(wǎng)站制作、同江網(wǎng)頁設計、同江網(wǎng)站官網(wǎng)定制、小程序制作服務，打造同江網(wǎng)絡公司原創(chuàng)品牌,更為您提供同江網(wǎng)站排名全網(wǎng)營銷落地服務。

使用PyTorch定義線性回歸模型一般分以下幾步：

1.設計網(wǎng)絡架構
2.構建損失函數(shù)(loss)和優(yōu)化器(optimizer)
3.訓練(包括前饋(forward)、反向傳播(backward)、更新模型參數(shù)(update))

#author:yuquanle
#data:2018.2.5
#Study of LinearRegression use PyTorch

import torch
from torch.autograd import Variable

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

class Model(torch.nn.Module):
  def __init__(self):
    super(Model, self).__init__()
    self.linear = torch.nn.Linear(1, 1) # One in and one out

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

# our model
model = Model()

criterion = torch.nn.MSELoss(size_average=False) # Defined loss function
optimizer = torch.optim.SGD(model.parameters(), lr=0.01) # Defined optimizer

# Training: forward, loss, backward, step
# Training loop
for epoch in range(50):
  # Forward pass
  y_pred = model(x_data)

  # Compute loss
  loss = criterion(y_pred, y_data)
  print(epoch, loss.data[0])

  # Zero gradients
  optimizer.zero_grad()
  # perform backward pass
  loss.backward()
  # update weights
  optimizer.step()

# After training
hour_var = Variable(torch.Tensor([[4.0]]))
print("predict (after training)", 4, model.forward(hour_var).data[0][0])

另外有需要云服務器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務器、裸金屬服務器、高防服務器、香港服務器、美國服務器、虛擬主機、免備案服務器”等云主機租用服務以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應用場景需求。

本文名稱：PyTorch線性回歸和邏輯回歸實戰(zhàn)示例-創(chuàng)新互聯(lián)
分享URL：http://weahome.cn/article/dsdspe.html