基于nn.Module类实现线性回归模型-多元线性回归模型代码

上次介绍了顺序模型，但是在大多数情况下，我们基本都是以类的形式实现神经网络。

大多数情况下创建一个继承自 Pytorch 中的 nn.Module 的类，这样可以使用 Pytorch 提供的许多高级 API，而无需自己实现。

下面展示了一个可以从nn.Module创建的最简单的神经网络类的示例。基于 nn.Module的类的最低要求是覆盖__init__()方法和forward()方法。

在这个类中，定义了一个简单的线性网络，具有两个输入和一个输出，并使用 Sigmoid()函数作为网络的激活函数。

import torch 
from torch import nn 
 
class LinearRegression(nn.Module): 
    def __init__(self): 
        #继承父类构造函数 
        super(LinearRegression, self).__init__()  
        #输入和输出的维度都是1 
        self.linear = nn.Linear(1, 1)  
    def forward(self, x): 
        out = self.linear(x) 
        return out

现在让我们测试一下模型。

# 创建LinearRegression（）的实例 
model = LinearRegression() 
print(model)  
# 输出如下 
LinearRegression( 
  (linear): Linear(in_features=1, out_features=1, bias=True) 
)

现在让定义一个损失函数和优化函数。

model = LinearRegression()#实例化对象 
num_epochs = 1000#迭代次数 
learning_rate = 1e-2#学习率0.01 
Loss = torch.nn.MSELoss()#损失函数 
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)#优化函数

我们创建一个由方程产生的数据集，并通过函数制造噪音

import torch  
from matplotlib import pyplot as plt 
from torch.autograd import Variable 
from torch import nn 
# 创建数据集  unsqueeze 相当于 
x = Variable(torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)) 
y = Variable(x * 2 + 0.2 + torch.rand(x.size())) 
plt.scatter(x.data.numpy(),y.data.numpy()) 
plt.show()

关于torch.unsqueeze函数解读。

>>> x = torch.tensor([1, 2, 3, 4]) 
>>> torch.unsqueeze(x, 0) 
tensor([[ 1,  2,  3,  4]]) 
>>> torch.unsqueeze(x, 1) 
tensor([[ 1], 
        [ 2], 
        [ 3], 
        [ 4]])

遍历每次epoch，计算出loss，反向传播计算梯度，不断的更新梯度，使用梯度下降进行优化。

for epoch in range(num_epochs): 
    # 预测 
    y_pred= model(x) 
    # 计算loss 
    loss = Loss(y_pred, y) 
    #清空上一步参数值 
    optimizer.zero_grad() 
    #反向传播 
    loss.backward() 
    #更新参数 
    optimizer.step() 
    if epoch % 200 == 0: 
        print("[{}/{}] loss:{:.4f}".format(epoch+1, num_epochs, loss)) 
 
plt.scatter(x.data.numpy(), y.data.numpy()) 
plt.plot(x.data.numpy(), y_pred.data.numpy(), 'r-',lw=5) 
plt.text(0.5, 0,'Loss=%.4f' % loss.data.item(), fontdict={'size': 20, 'color':  'red'}) 
plt.show() 
####结果如下#### 
[1/1000] loss:4.2052 
[201/1000] loss:0.2690 
[401/1000] loss:0.0925 
[601/1000] loss:0.0810 
[801/1000] loss:0.0802

[w, b] = model.parameters() 
print(w,b) 
# Parameter containing: 
tensor([[2.0036]], requires_grad=True) Parameter containing: 
tensor([0.7006], requires_grad=True)

这里的b=0.7，等于0.2 + torch.rand(x.size())，经过大量的训练torch.rand()一般约等于0.5。