三元一次线性回归神经网络的示例

水深无声 2023-09-30 21:32 49阅读 0赞

以下是使用PyTorch编写3元一次线性回归神经网络的示例代码：

import torch
    import torch.nn as nn
    
    # 训练数据
    x_train = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]], dtype=torch.float32)
    y_train = torch.tensor([[4], [7], [10], [13]], dtype=torch.float32)
    
    # 定义模型
    class LinearRegression(nn.Module):
        def __init__(self):
            super(LinearRegression, self).__init__()
            self.linear = nn.Linear(3, 1)  # 输入特征数为3，输出特征数为1的线性层
    
        def forward(self, x):
            out = self.linear(x)
            return out
    
    model = LinearRegression()
    
    # 定义损失函数与优化器
    criterion = nn.MSELoss() # 均方误差损失函数
    optimizer = torch.optim.SGD(model.parameters(), lr=0.01) # 随机梯度下降优化器
    
    # 训练模型
    num_epochs = 1000
    for epoch in range(num_epochs):
        # 前向传播计算预测值
        y_pred = model(x_train)
    
        # 计算损失
        loss = criterion(y_pred, y_train)
    
        # 反向传播更新参数
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
    
        if (epoch+1) % 100 == 0:
            print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))
    
    # 测试模型
    x_test = torch.tensor([[2, 3, 4], [5, 6, 7]], dtype=torch.float32)
    y_test = torch.tensor([[5], [8]], dtype=torch.float32)
    with torch.no_grad():
        y_pred = model(x_test)
        print('Test Loss: {:.4f}'.format(criterion(y_pred, y_test).item()))

在上述代码中，我们首先定义了训练数据 x\_train 和 y\_train。然后，我们创建一个名为 LinearRegression 的类来定义线性回归模型，并在其中定义了一个包含一个线性层的前向传播函数。

接下来，我们实例化了 LinearRegression 类得到了模型对象 model，并定义了损失函数和优化器。在训练过程中，我们进行了1000次迭代，每一次迭代都执行一次前向传播、计算损失、反向传播和参数更新。最后，我们使用测试数据 x\_test 和 y\_test 来评估模型的性能。