Pytorch學習（5）-用Variable實現線性迴歸

利用autograd/Variable實現線性迴歸，體會autograd的便捷之處。

from __future__ import print_function
import torch as t
from torch.autograd import Variable as V
from torch.autograd import Function
from matplotlib import pyplot as plt
from IPython import display


# 爲了在不同的計算機上運行時下面的輸出一致，設置隨機數種子
t.manual_seed(1000)


def get_fake_data(batch_size=8):
    # 產生隨機數據：y = x * 2 + 3，加上了一些噪聲
    x = t.rand(batch_size, 1) * 20
    y = x * 2 + (1 + t.randn(batch_size, 1)) * 3
    return x, y


# 來看看產生的x-y分佈是什麼樣的
x, y = get_fake_data()
plt.scatter(x.squeeze().numpy(), y.squeeze().numpy())
plt.show()

# 隨機初始化參數
w = V(t.rand(1, 1), requires_grad=True)
b = V(t.zeros(1, 1), requires_grad=True)

# 學習率
lr = 0.001

for ii in range(8000):
    x, y = get_fake_data()
    x, y = V(x), V(y)

    # forward：計算loss
    y_pred = x.mm(w) + b.expand_as(y)
    loss = 0.5 * (y_pred - y) ** 2
    loss = loss.sum()

    # backward：自動計算梯度
    loss.backward()

    # 更新參數
    w.data.sub_(lr * w.grad.data)
    b.data.sub_(lr * b.grad.data)

    # 梯度清零
    w.grad.data.zero_()
    b.grad.data.zero_()

    if ii%1000 == 0:
        # 畫圖
        display.clear_output(wait=True)
        x = t.arange(0, 20).view(-1, 1)
        y = x.mm(w.data.long()) + b.data.expand_as(x)
        # predicted
        plt.plot(x.numpy(), y.numpy())

        x2, y2 = get_fake_data(batch_size=20)
        # true data
        plt.scatter(x2.numpy(), y2.numpy())

        plt.xlim(0, 20)
        plt.ylim(0, 41)
        plt.show()
        plt.pause(0.5)
print(w.data.squeeze().item(), b.data.squeeze().item)

輸出：

1.8774464130401611 2.944983959197998

          用autograd實現的線性迴歸最大的不同點就在於利用autograd不需要手動計算梯度，可以自動微分。需要注意的是在每次反向傳播之前記得先把梯度清零。