2.7 使用PyTorch实现简单机器学习

本篇我们将使用PyTorch的一个自动求导的包——Antograd，利用这个包及对应的Tensor，利用自动反向求导传播来求梯度，无需手工计算梯度。以下是代码实现：

# 1、导入需要的库
import torch
from matplotlib import pyplot as plt
# 2、生成训练数据，并可视化数据分布情况
torch.manual_seed(100)
# 生成x数据
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
# 生成y数据，加上一些噪声
y = 3 * x.pow(2) + 2 + 0.2 * torch.rand(x.size())
# 画图，把tensor数据转换成numpy数据
plt.scatter(x.numpy(), y.numpy())
plt.show()
# 3、初始化权重参数
# 随机初始化参数，参数w，b需要学习，故需要把requires_grad=True
w = torch.randn(1, 1, dtype=torch.float, requires_grad=True)
b = torch.zeros(1, 1, dtype=torch.float, requires_grad=True)
# 4、训练模型
lr = 0.001  # 学习率
for i in range(800):
    # 前向传播，并定义损失函数
    y_pred = x.pow(2).mm(w) + b
    loss = 0.5 * (y_pred-y) ** 2
    loss = loss.sum()
    #  自动计算梯度，梯度存放在grad属性中
    loss.backward()
    # 手动更新参数，需要用torch.no_grad(),使上下文环境中切断自动求导的计算
    with torch.no_grad():
        w -= lr * w.grad
        b -= lr * b.grad
        # 梯度清零
        w.grad.zero_()
        b.grad.zero_()
# 5、可视化训练结果
plt.plot(x.numpy(), y_pred.detach().numpy(), "r-", label='predict')
plt.scatter(x.numpy(), y.numpy(), color='blue', marker='o', label='true')
plt.xlim(-1, 1)
plt.ylim(2, 6)
plt.legend()
plt.show()
print(w, b)

w， b的预测结果：
tensor([[2.9645]], requires_grad=True) tensor([[2.1146]], requires_grad=True)
复制

可视化结果如图