PyTorch - 線性回歸 - Linear Regression - 1

先練習簡單的線性回歸問題，假定一個簡單的線性函數 y=a*x+b 利用此產生亂數個點，然後來試著擬合這些點。

1. 建立 DATA

import torch
import matplotlib.pyplot as plt
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x data (tensor), shape=(100, 1)
y = 2*x + 0.3*torch.rand(x.size())                 # noisy y data (tensor), shape=(100, 1)
plt.scatter(x.data.numpy(), y.data.numpy())
plt.show()

將X,Y 丟進 Variable 做梯度計算用。

X=Variable(torch.Tensor(X.reshape(100,1)))
Y=Variable(torch.Tensor(Y.reshape(100,1)))

2. 建立簡單模型

用簡易的 Sequential model，且使用單層的 linear neural network，優化器使用 SGD，lr=0.5 ，Loss function 使用 MSE(回歸問題通常使用MSE)。

model = torch.nn.Sequential(torch.nn.Linear(1, 1),)
optimizer = torch.optim.SGD(model.parameters(), lr=0.5)
loss_function = torch.nn.MSELoss()

3. 開始訓練

迭代500次訓練，其實很簡單的問題，在前幾次訓練就已經完美 fit 了 (Loss minimum)。

epochs = 500
for epoch in range(epochs):
    prediction = model(X)
    loss = loss_function(prediction, Y)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

4. 訓練結果可視化

plt.figure(1, figsize=(25, 5))
plt.subplot(131)
plt.title('model')
plt.scatter(X.data.numpy(), Y.data.numpy())
plt.plot(X.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color':  'red'})
plt.show()