Pytorch 實現簡單線性回歸

　　Pytorch 實現簡單線性回歸

問題描述：

　　使用 pytorch 實現一個簡單的線性回歸。

　　　　　　

　　　　　　　　　　　　受教育年薪與收入數據集

單變量線性回歸

　　單變量線性回歸算法（比如，$x$ 代表學歷，$f(x)$ 代表收入）： 

　　　　$f(x) = w*x + b $

　　我們使用 $f(x)$ 這個函數來映射輸入特征和輸出值。

目標：

　　預測函數 $f(x)$ 與真實值之間的整體誤差最小。

損失函數： 

　　使用均方差作為作為成本函數。

　　也就是預測值和真實值之間差的平方取均值。

成本函數與損失函數： 

　　優化的目標（ $y$ 代表實際的收入）：

　　找到合適的 $w$ 和 $b$ ，使得 $(f(x) - y)^{2}$越小越好

　　注意：現在求解的是參數 $w$ 和 $b$。

---

過程

1 導入實驗所需要的包

import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch import nn #解決內核掛掉
import os os.environ["KMP_DUPLICATE_LIB_OK"]  =  "TRUE"

2 讀取數據

data = pd.read_csv('dataset/Income1.csv') print(type(data))

3 查看數據信息

data.info()

　　查看數據

data

　　　　　　

 　　查看數據類型

type(data.Education)

4 圖表顯示數據

from pylab import mpl mpl.rcParams['font.sans-serif'] = ['SimHei']   # 雅黑字體
plt.scatter(data.Education,data.Income) plt.xlabel("受教育年限") plt.ylabel("工資") plt.show()

　　　　　　

5 轉換數據為 Tensor 類型

查看特征數據

data.Education

查看特征數據 index

data.Education.index

查看特征數據 value

data.Education.values

特征數據變換形狀

data.Education.values.reshape(-1,1)

查看特征數據變換后的形狀

data.Education.values.reshape(-1,1).shape

查看特征數據變換后的數據類型

type(data.Education.values.reshape(-1,1))

修改特征數據變換后的數據類型

X = data.Education.values.reshape(-1,1).astype(np.float32) print(type(X)) X.shape

特征數據和標簽轉換為Tensor

X = torch.from_numpy(data.Education.values.reshape(-1,1).astype(np.float32) ) #轉換數據類型
Y = torch.from_numpy(data.Income.values.reshape(-1,1).astype(np.float32) ) #轉換數據類型

6 定義模型

定義線性回歸模型：

model = nn.Linear(1,1)    #w@input+b 等價於model(input)

定義均方損失函數

loss_fn = nn.MSELoss()    #定義均方損失函數

定義優化器

opt = torch.optim.SGD(model.parameters(),lr=0.00001)  

7 模型訓練

for epoch in range(200): for x, y in zip(X,Y): y_pred = model(x)   #使用模型預測
        loss = loss_fn(y,y_pred)   #根據預測計算損失
        opt.zero_grad()   #進行梯度清零
        loss.backward()   #求解梯度
        opt.step()   #優化模型參數

8 輸出權重和偏置

model.weight
model.bias

　　Tensor 類型數據帶梯度轉換為numpy需要先去梯度

type(model.weight.detach().numpy())

9 獲取預測值 y_pred

model(X).data.numpy()

預測值類型

type(model(X).data.numpy())

預測值size

model(X).data.numpy().shape

10 繪制回歸曲線

plt.scatter(data.Education,data.Income) plt.plot(X.numpy(),model(X).data.numpy()) plt.xlabel("受教育年限") plt.ylabel("工資") plt.show()

 完整代碼：

import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch import nn import os os.environ["KMP_DUPLICATE_LIB_OK"]  =  "TRUE" data = pd.read_csv('dataset/Income1.csv') print(type(data)) data.info() data from pylab import mpl mpl.rcParams['font.sans-serif'] = ['SimHei']   # 雅黑字體
plt.scatter(data.Education,data.Income) plt.xlabel("受教育年限") plt.ylabel("工資") plt.show() X = torch.from_numpy(data.Education.values.reshape(-1,1).astype(np.float32) ) #轉換數據類型
Y = torch.from_numpy(data.Income.values.reshape(-1,1).astype(np.float32) ) #轉換數據類型
 model = nn.Linear(1,1)    #w@input+b 等價於model(input)
loss_fn = nn.MSELoss()    #定義均方損失函數
opt = torch.optim.SGD(model.parameters(),lr=0.00001) for epoch in range(200): for x, y in zip(X,Y): y_pred = model(x)   #使用模型預測
        loss = loss_fn(y,y_pred)   #根據預測計算損失
        opt.zero_grad()   #進行梯度清零
        loss.backward()   #求解梯度
        opt.step()   #優化模型參數
        print(f'epoch {epoch + 1}, loss {loss.sum():f}') model.weight model.bias type(model.weight.detach().numpy()) plt.scatter(data.Education,data.Income) plt.plot(X.numpy(),model(X).data.numpy()) plt.xlabel("受教育年限") plt.ylabel("工資") plt.show()

 

看完點個關注唄！！_{（總結不易）}