Pytorch线性回归

用基础模型 y = wx + b

步骤： 1. 准备数据

              2. 计算预测值

          3. 计算损失，把参数的梯度置为0，进行反向传播

            4. 更新参数

import torch
import numpy as np
from matplotlib import pyplot as plt

learning_rate = 0.01

# 1. 准备数据 y = 3x + 0.8，准备参数
x = torch.rand([500,1]) # 返回50个服从均匀分布的初始化后的tenosr
y_true = 3*x + 0.8

# 2. 通过模型计算y_predict
w = torch.rand([1,1], requires_grad=True)
b = torch.tensor(0, requires_grad=True,dtype=torch.float32)

#4. 通过循环，反向传播，更新参数
for i in range(2000):
    # 3. 计算loss
    # torch.matmul() 是tensor的乘法
    y_predict = torch.matmul(x, w) + b
    # 损失值= (预测值-实际值的平方)的均值
    loss = (y_true - y_predict).pow(2).mean()
    # 判断w和b是否使用过，如果使用过则就地重置
    if w.grad is not None:
        w.grad.data.zero_()
    if b.grad is not None:
        b.grad.data.zero_()

    # 反向传播 反向传播之后就可以获取到w.grad和b.grad
    loss.backward()
    w.data = w.data - learning_rate*w.grad
    b.data = b.data - learning_rate*b.grad
    if i % 50 == 0:
        print("w ,b ,loss",w.item(),b.item(),loss.item())

plt.figure(figsize=(20,8))
plt.scatter(x.numpy().reshape(-1),y_true.numpy().reshape(-1))
y_predict = torch.matmul(x,w) + b
plt.plot(x.numpy().reshape(-1),y_predict.detach().numpy().reshape(-1))
plt.show()