图像去雾毕业论文准备13-深度学习框架（pytorch）——超级详细（线性回归案例讲解）

我就是我 2023-01-02 08:22 180阅读 0赞

**图像去雾毕业论文准备13-深度学习框架（pytorch）——超级详细（线性回归案例讲解）**

基于上节的介绍，相信你对pytorch有了简单的了解，我是跟着视频，加上个人理解进行本节的讲解，一方面对课程学习进行加深，一方面对可以方便以后查阅复习，同时还可以给有需要的朋友进行参考，实现资源共享！

参照上之前tensorflow的学习，下面开始讲解！

## 1 首先导入相关的库文件 ##

# 导入库
    import torch
    import numpy as np
    import matplotlib.pyplot as plt
    import pandas as pd
    from torch import  nn

简单罗列一下  
1 torch就是需要的深度学习框架  
2 numpy为了进行数据类型操作  
3 matplotlib进行绘图显示  
4 pandas为了加载数据  
5 nn深度学习中常见的功能，里面有大量的API

## 2 数据读取 ##

data = pd.read_csv('dataset.csv')
    # print(data)
    # 如果直接这样使用，返回的是andas.core.series.Series格式
    X = data.Education
    print(X)
    print(type(X))
    # 所以需要使用array类型,在类型后加上一个values即可转化成array类型
    X = data.Education.values.reshape(-1,1).astype(np.float32)
    print(X)
    print(X.shape)

## 3 数据预处理 ##

"""
    数据预处理
    """
    # 通过输入可以将以上的numpy转化成torch
    X = torch.from_numpy(data.Education.values.reshape(-1,1).astype(np.float32))
    print(X)
    Y = torch.from_numpy(data.Income.values.reshape(-1,1).astype(np.float32))

## 4 搭建模型 ##

model = nn.Linear(1,1) # w*input + b  /linear会随机初始化一个w和一个b 等价于model(input)
    loss_fn = nn.MSELoss() #损失函数计算方法
    opt = torch.optim.SGD(model.parameters(),lr=0.0001)#优化的参数

## 5 训练模型 ##

# 训练模型
    for epoch in range(5000):
        for x,y in zip(X,Y):
            y_pred = model(x)           # 使用模型预测
            loss = loss_fn(y,y_pred)    # 根据预测结果计算损失
            opt.zero_grad()             # 把变量梯度清0
            loss.backward()             # 求解梯度
            opt.step()                  # 模型参数优化
    
    print(model.weight)
    print(model.bias)
    plt.scatter(data.Education,data.Income)
    # 输出预测结果，这里需要将tensor转成numpy，第二个参数是需要预测结果，最后需要取其中的data并转为numpy
    plt.plot(X.numpy(),model(X).data.numpy(),c='r')
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70]  
完整代码如下（可直接运行）：

#!/usr/bin/python3.6
    # -*- coding: utf-8 -*-
    # @Time    : 2021/1/5 10:25
    # @Author  : ptg
    # @Email   : zhxwhchina@163.com
    # @File    : pytorch_lesson01.py
    # @Software: PyCharm
    
    # 导入库
    import torch
    import numpy as np
    import matplotlib.pyplot as plt
    import pandas as pd
    from torch import  nn
    
    data = pd.read_csv('dataset.csv')
    # print(data)
    # 如果直接这样使用，返回的是andas.core.series.Series格式
    X = data.Education
    print(X)
    print(type(X))
    # 所以需要使用array类型,在类型后加上一个values即可转化成array类型
    X = data.Education.values.reshape(-1,1).astype(np.float32)
    print(X)
    print(X.shape)
    
    """
    数据预处理
    """
    # 通过输入可以将以上的numpy转化成torch
    X = torch.from_numpy(data.Education.values.reshape(-1,1).astype(np.float32))
    print(X)
    Y = torch.from_numpy(data.Income.values.reshape(-1,1).astype(np.float32))
    print(Y)
    
    model = nn.Linear(1,1) # w*input + b  /linear会随机初始化一个w和一个b 等价于model(input)
    loss_fn = nn.MSELoss() #损失函数计算方法
    opt = torch.optim.SGD(model.parameters(),lr=0.0001)#优化的参数
    
    # 训练模型
    for epoch in range(5000):
        for x,y in zip(X,Y):
            y_pred = model(x)           # 使用模型预测
            loss = loss_fn(y,y_pred)    # 根据预测结果计算损失
            opt.zero_grad()             # 把变量梯度清0
            loss.backward()             # 求解梯度
            opt.step()                  # 模型参数优化
    
    print(model.weight)
    print(model.bias)
    plt.scatter(data.Education,data.Income)
    # 输出预测结果，这里需要将tensor转成numpy，第二个参数是需要预测结果，最后需要取其中的data并转为numpy
    plt.plot(X.numpy(),model(X).data.numpy(),c='r')
    plt.show()

具体的看注释吧！  
（完！）

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70]: /images/20221120/73d8cedc0da447a08deadca7f3c138bd.png