系列文章目次
01-PyTorch新手必看：张量是什么？5 分钟教你快速创建张量！
02-张量运算真简单！PyTorch 数值计算操作完全指南
03-Numpy 还是 PyTorch？张量与 Numpy 的神奇转换技巧
04-揭秘数据处理神器：PyTorch 张量拼接与拆分实用技巧
05-深度学习从索引开始：PyTorch 张量索引与切片最全解析
06-张量形状任意改！PyTorch reshape、transpose 操作超详细教程
07-深入解读 PyTorch 张量运算：6 大焦点函数全面解析，代码示例一步到位！
08-自动微分到底有多强？PyTorch 自动求导机制深度解析
09-从零手写线性回归模型：PyTorch 实现深度学习入门教程
10-PyTorch 框架实现线性回归：从数据预处理到模型训练全流程
媒介
在之前的文章中，通过手动方式构建了一个简单的线性回归模型。然而，面对复杂的网络设计，手动实现不仅繁琐，还容易堕落。为了提高服从和灵活性，可以利用 PyTorch 提供的组件来快速搭建模型。
本文将通过 PyTorch 实现线性回归，主要包括以下内容：
- 使用 nn.MSELoss 代替自定义的平方损失函数
- 使用 data.DataLoader 代替自定义的数据加载器
- 使用 optim.SGD 代替自定义的优化器
- 使用 nn.Linear 代替自定义的线性模型
一、构建数据集
起首，需要生成一组模拟的线性回归数据，并将其转换为 PyTorch 张量。使用 sklearn.datasets.make_regression 函数来创建数据。
1.1 示例代码
- import torch
- from sklearn.datasets import make_regression
- # 构建数据集
- def create_dataset():
- x, y, coef = make_regression(
- n_samples=150, # 样本数量
- n_features=1, # 特征数量
- noise=15, # 噪声大小
- coef=True, # 返回系数
- bias=10.0, # 偏置项
- random_state=42 # 随机种子
- )
- # 转换为 PyTorch 张量
- x = torch.tensor(x, dtype=torch.float32)
- y = torch.tensor(y, dtype=torch.float32)
- return x, y, coef
二、数据加载器
为了更方便地处理数据批量，使用 PyTorch 的 DataLoader 来加载数据集。
2.1 示例代码
- from torch.utils.data import TensorDataset, DataLoader
- # 构建数据加载器
- def create_dataloader(x, y):
- dataset = TensorDataset(x, y) # 创建数据集对象
- dataloader = DataLoader(dataset, batch_size=20, shuffle=True) # 批量大小为20
- return dataloader
三、定义模型
PyTorch 提供了 nn.Linear 作为线性模型的实现，只需定义输入和输出的特性数量。
线性模型的焦点公式为：
y ^ = x ⋅ w + b \hat{y} = x \cdot w + b y^=x⋅w+b
此中，w 是权重，b 是偏置，均为模型的可学习参数。
3.1 示例代码
- import torch.nn as nn
- # 构建线性模型
- def create_model():
- model = nn.Linear(in_features=1, out_features=1) # 输入和输出特征均为1
- return model
四、定义损失函数与优化器
使用 nn.MSELoss 作为损失函数，并使用 optim.SGD 优化器来更新模型参数。
4.1 示例代码
- import torch.optim as optim
- # 定义损失函数和优化器
- def create_loss_and_optimizer(model):
- criterion = nn.MSELoss() # 均方误差损失
- optimizer = optim.SGD(model.parameters(), lr=0.01) # 学习率为0.01
- return criterion, optimizer
五、训练模型
将数据加载器、模型、损失函数和优化器整合到训练循环中，通过梯度降落来优化模型。
5.1 示例代码
- # 训练模型
- def train_model(dataloader, model, criterion, optimizer, epochs=100):
- for epoch in range(epochs):
- for batch_x, batch_y in dataloader:
- # 前向传播：计算预测值
- y_pred = model(batch_x)
- # 计算损失
- loss = criterion(y_pred, batch_y.unsqueeze(1))
- # 清空梯度
- optimizer.zero_grad()
- # 反向传播：计算梯度
- loss.backward()
- # 更新参数
- optimizer.step()
- # 打印每10个epoch的损失
- if (epoch + 1) % 10 == 0:
- print(f"Epoch [{epoch + 1}/{epochs}], Loss: {loss.item():.4f}")
六、绘制效果
训练完成后，可视化模型的拟合效果，与真实数据进行对比。
6.1 示例代码
- # 可视化模型拟合结果
- def plot_results(x, y, model, coef, bias):
- # 设置中文字体
- plt.rcParams['font.sans-serif'] = ['SimHei'] # 使用黑体
- plt.rcParams['axes.unicode_minus'] = False # 正常显示负号
- # 绘制散点图
- plt.scatter(x.numpy(), y.numpy(), label="数据点", alpha=0.7)
- # 绘制模型预测的直线
- x_range = torch.linspace(x.min(), x.max(), 100).reshape(-1, 1)
- y_pred = model(x_range).detach().numpy()
- plt.plot(x_range.numpy(), y_pred, label="拟合直线", color="r")
- # 绘制真实的直线
- coef = torch.tensor(coef, dtype=torch.float32)
- bias = torch.tensor(bias, dtype=torch.float32)
- y_true = coef * x_range + bias
- plt.plot(x_range.numpy(), y_true.numpy(), label="真实直线", color="g", linestyle="--")
- # 添加标题和标签
- plt.title("线性回归拟合结果")
- plt.xlabel("自变量 X")
- plt.ylabel("因变量 Y")
- # 显示图例和网格
- plt.legend()
- plt.grid(True)
- # 显示绘图
- plt.show()
七、主函数
7.1 示例代码
- if __name__ == "__main__":
- # 构建数据
- x, y, coef = create_dataset()
- dataloader = create_dataloader(x, y)
- model = create_model()
- criterion, optimizer = create_loss_and_optimizer(model)
-
- # 训练模型
- train_model(dataloader, model, criterion, optimizer, epochs=100)
-
- # 绘制结果
- plot_results(x, y, model, coef, bias=10.0)
运行效果将显示数据点与拟合直线，直线与真实线性关系高度符合，说明模型训练效果良好。
八、总结
本文通过使用 PyTorch 实现线性回归模型，完成了以下内容：
- 构建数据集并设计数据加载器；
- 使用 nn.Linear 定义线性假设函数；
- 使用 nn.MSELoss 设计均方误差损失函数；
- 使用 optim.SGD 实现随机梯度降落优化方法；
- 训练模型并可视化拟合效果。
8.1 完备代码
- import torchfrom torch.utils.data import TensorDataset, DataLoaderimport torch.nn as nnimport torch.optim as optimfrom sklearn.datasets import make_regressionimport matplotlib.pyplot as plt# 构建数据集def create_dataset(): x, y, coef = make_regression( n_samples=150, # 样本数量 n_features=1, # 特性数量 noise=15, # 噪声巨细 coef=True, # 返回系数 bias=10.0, # 偏置项 random_state=42 # 随机种子 ) # 转换为 PyTorch 张量 x = torch.tensor(x, dtype=torch.float32) y = torch.tensor(y, dtype=torch.float32) return x, y, coef# 构建数据加载器def create_dataloader(x, y): dataset = TensorDataset(x, y) # 创建数据集对象 dataloader = DataLoader(dataset, batch_size=20, shuffle=True) # 批量巨细为20 return dataloader# 构建线性模型def create_model(): model = nn.Linear(in_features=1, out_features=1) # 输入和输出特性均为1 return model# 定义损失函数和优化器def create_loss_and_optimizer(model): criterion = nn.MSELoss() # 均方误差损失 optimizer = optim.SGD(model.parameters(), lr=0.01) # 学习率为0.01 return criterion, optimizer# 训练模型
- def train_model(dataloader, model, criterion, optimizer, epochs=100):
- for epoch in range(epochs):
- for batch_x, batch_y in dataloader:
- # 前向传播：计算预测值
- y_pred = model(batch_x)
- # 计算损失
- loss = criterion(y_pred, batch_y.unsqueeze(1))
- # 清空梯度
- optimizer.zero_grad()
- # 反向传播：计算梯度
- loss.backward()
- # 更新参数
- optimizer.step()
- # 打印每10个epoch的损失
- if (epoch + 1) % 10 == 0:
- print(f"Epoch [{epoch + 1}/{epochs}], Loss: {loss.item():.4f}")
- # 可视化模型拟合结果
- def plot_results(x, y, model, coef, bias):
- # 设置中文字体
- plt.rcParams['font.sans-serif'] = ['SimHei'] # 使用黑体
- plt.rcParams['axes.unicode_minus'] = False # 正常显示负号
- # 绘制散点图
- plt.scatter(x.numpy(), y.numpy(), label="数据点", alpha=0.7)
- # 绘制模型预测的直线
- x_range = torch.linspace(x.min(), x.max(), 100).reshape(-1, 1)
- y_pred = model(x_range).detach().numpy()
- plt.plot(x_range.numpy(), y_pred, label="拟合直线", color="r")
- # 绘制真实的直线
- coef = torch.tensor(coef, dtype=torch.float32)
- bias = torch.tensor(bias, dtype=torch.float32)
- y_true = coef * x_range + bias
- plt.plot(x_range.numpy(), y_true.numpy(), label="真实直线", color="g", linestyle="--")
- # 添加标题和标签
- plt.title("线性回归拟合结果")
- plt.xlabel("自变量 X")
- plt.ylabel("因变量 Y")
- # 显示图例和网格
- plt.legend()
- plt.grid(True)
- # 显示绘图
- plt.show()
- # 主函数if __name__ == "__main__":
- # 构建数据
- x, y, coef = create_dataset()
- dataloader = create_dataloader(x, y)
- model = create_model()
- criterion, optimizer = create_loss_and_optimizer(model)
-
- # 训练模型
- train_model(dataloader, model, criterion, optimizer, epochs=100)
-
- # 绘制结果
- plot_results(x, y, model, coef, bias=10.0)
|
