当前位置： 首页 > news >正文

PyTorch 线性回归详解：模型定义、保存、加载与网络结构

news 来源：原创 2025/4/22 5:49:01

目录

  • 前言
  • 一、pytorch框架线性回归
  • 1.1 pytorch模型的定义
  • 1.2 nn.Sequential()
  • 1.2.1 nn.Linear
  • 1.2.2 nn.Sequential 
  • 1.3 nn.ModuleList()
  • 1.4 nn.ModuleDict()
  • 1.5 nn.Module
  • 二、pytorch模型的保存
  • 2.1 保存模型的权重和其他参数
  • 2.1.1 torch.save()保存字典
  • 总结

前言

书接上文

自求导实现线性回归与PyTorch张量详解-CSDN博客文章浏览阅读1.1k次，点赞34次，收藏19次。本文围绕自求导方法实现线性回归算法展开，详细介绍了算法的理论基础、参数初始化、损失函数设计、迭代过程及反向传播求导机制，并通过Python代码实现线性回归模型训练和可视化，直观呈现模型优化轨迹和损失变化。同时，文章深入讲解了PyTorch框架中的tensor概念，解析了tensor的存储结构、数据类型、步长和偏移，重点阐述了tensor连续性与非连续性的区别及其对计算效率的影响，并介绍了contiguous()方法用于解决非连续tensor问题，结合丰富代码示例，帮助读者理解并掌握PyTorch tenso https://blog.csdn.net/qq_58364361/article/details/147292669?spm=1011.2415.3001.10575&sharefrom=mp_manage_link

一、pytorch框架线性回归

从以下5个方面对深度学习框架Pytorch框架线性回归进行介绍
1.pytorch模型的定义
2.pytorch模型的保存
3.pytorch模型的加载
4.pytorch模型网络结构的查看
5.pytorch框架线性回归的代码实现
上面这5方面的内容，让大家，掌握并理解pytorch框架实现线性回归的过程。

1.1 pytorch模型的定义

torch.nn下的容器

1.2 nn.Sequential()

在nn.Containers下的nn.Sequential()

nn.Sequential()是pytorch的容器，按照顺序组合多个网络层，有forward方法。

注意：forward 方法是输入数据后进行模型调用的（pytorch包含的，如果有forward自动调用，如果没有不调用）

1.2.1 nn.Linear

import torch
import torch.nn as nn# 定义一个线性层，输入特征维度为3，输出特征维度为200
m = nn.Linear(3, 200)# 构造输入张量，包含4个样本，每个样本3个特征，数据类型为float32
input = torch.tensor([[1, 2, 3],[3, 4, 5],[6, 7, 8],[9, 10, 11]], dtype=torch.float32)# 将输入数据传入线性层，得到输出张量
output = m(input)# 打印输出张量的形状，结果应为(4, 200)，4个样本每个样本200个特征
print(output.shape)
D:\python_huanjing\.venv1\Scripts\python.exe C:\Users\98317\PycharmProjects\study_python\机器学习\day4_18.py 
torch.Size([4, 200])进程已结束，退出代码为 0

1.2.2 nn.Sequential 

import torch
import numpy as np# 定义包含10组样本的二维数据集，每组包括输入特征和目标值
data = [[-0.5, 7.7],[1.8, 98.5],[0.9, 57.8],[0.4, 39.2],[-1.4, -15.7],[-1.4, -37.3],[-1.8, -49.1],[1.5, 75.6],[0.4, 34.0],[0.8, 62.3]]
# 转换为NumPy数组，方便切片操作
data = np.array(data)# 提取输入特征x和目标值y
x_data = data[:, 0]
y_data = data[:, 1]# 转换为PyTorch张量，数据类型为float32，满足模型输入要求
x_train = torch.tensor(x_data, dtype=torch.float32)
y_train = torch.tensor(y_data, dtype=torch.float32)# 导入神经网络模块
import torch.nn as nn# 构建线性回归模型，包含一个输入节点和一个输出节点的线性层
model = nn.Sequential(nn.Linear(1, 1))# 定义均方误差损失函数，用于回归任务衡量误差
criterion = nn.MSELoss()# 采用随机梯度下降优化器，设置学习率为0.01，用于优化模型参数
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)# 训练模型，循环500次迭代
epoches = 500
for n in range(1, epoches + 1):# 将一维输入张量升维为二维，以适应Linear层输入要求(batch_size, 1)x_train_2d = x_train.unsqueeze(1)# 前向传播计算预测输出，输出形状为(batch_size, 1)y_pre = model(x_train_2d)# 计算预测值与真实值的均方误差，需将预测输出压缩为一维loss = criterion(y_pre.squeeze(1), y_train)# 梯度清零，防止梯度累积影响更新optimizer.zero_grad()# 反向传播计算梯度loss.backward()# 更新模型参数optimizer.step()# 每第1轮及之后每隔10轮输出一次当前迭代次数和损失值if n % 10 == 0 or n == 1:print(f"epoches:{n},loss:{loss}")

1.3 nn.ModuleList()

nn.ModuleList() 和python的基础数据类型list类似，不按照顺序，没有forward方法，不可以定义名字，可以用append加网络。

如果使用需要重写继承nn.Module

import torch
import numpy as np# 定义输入数据
data = [[-0.5, 7.7], [1.8, 98.5], [0.9, 57.8],[0.4, 39.2], [-1.4, -15.7],[-1.4, -37.3], [-1.8, -49.1],[1.5, 75.6], [0.4, 34.0],[0.8, 62.3]]
# 转换为 NumPy 数组
data = np.array(data)
# 提取 x_data 和 y_data
x_data = data[:, 0]
y_data = data[:, 1]
# 将数据转换为 Tensor
x_train = torch.tensor(x_data, dtype=torch.float32)
y_train = torch.tensor(y_data, dtype=torch.float32)# 构建模型
import torch.nn as nn  # 导入 PyTorch 的神经网络模块# 使用 ModuleList 的线性模型
class LinearModel(nn.Module):# 初始化方法def __init__(self):super(LinearModel, self).__init__()# 定义一个包含一个线性层的 ModuleListself.layers = nn.ModuleList([nn.Linear(1, 1)])# 前向传播方法def forward(self, x):# 遍历所有层进行计算for layer in self.layers:x = layer(x)return x# 初始化模型
model = LinearModel()# 定义损失函数
criterion = nn.MSELoss()
# 定义优化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
# 迭代训练
epoches = 500
for n in range(1, epoches + 1):# 增加维度以匹配模型输入x_train_add_dim = x_train.unsqueeze(1)# 前向传播y_pre = model(x_train_add_dim)# 计算损失loss = criterion(y_pre.squeeze(1), y_train)# 梯度清零optimizer.zero_grad()# 反向传播loss.backward()# 更新参数optimizer.step()# 打印损失if n % 10 == 0 or n == 1:print(f"epoches:{n},loss:{loss}")

1.4 nn.ModuleDict()

nn.ModuleDict()，和dict类似，不按照顺序，没有forward方法，可以定义每层的名字

import torch
import numpy as np# 定义输入数据
data = [[-0.5, 7.7], [1.8, 98.5], [0.9, 57.8],[0.4, 39.2], [-1.4, -15.7],[-1.4, -37.3], [-1.8, -49.1],[1.5, 75.6], [0.4, 34.0],[0.8, 62.3]]
# 转换为 NumPy 数组
data = np.array(data)
# 提取 x_data 和 y_data
x_data = data[:, 0]
y_data = data[:, 1]
# 将数据转换为 Tensor
x_train = torch.tensor(x_data, dtype=torch.float32)
y_train = torch.tensor(y_data, dtype=torch.float32)import torch.nn as nn# 使用 ModuleList 的线性模型
class LinearModelDict(nn.Module):def __init__(self):super(LinearModelDict, self).__init__()self.layers_dict = nn.ModuleDict({'linear1': nn.Linear(1, 1)})  # 定义一个包含线性层的 ModuleDictdef forward(self, x):for key in self.layers_dict:x = self.layers_dict[key](x)  # 遍历 ModuleDict 中的每一层并应用到输入数据 xreturn x# 初始化模型
model = LinearModelDict()# 定义损失函数
criterion = nn.MSELoss()
# 选择优化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # 使用随机梯度下降（SGD）优化器# 迭代训练
epoches = 500
for n in range(1, epoches + 1):x_train_add_dim = x_train.unsqueeze(1)  # 增加维度以适应模型输入y_pre = model(x_train_add_dim)  # 前向传播，获取预测值# 计算损失loss = criterion(y_pre.squeeze(1), y_train)  # 计算预测值和真实值之间的均方误差# 梯度更新optimizer.zero_grad()  # 清空之前的梯度# 计算损失函数对模型参数的梯度loss.backward()  # 反向传播，计算梯度# 根据优化算法更新参数optimizer.step()  # 更新模型参数if n % 10 == 0 or n == 1:print(f"epoches:{n},loss:{loss}")

1.5 nn.Module

直接重写继承nn.Module

import torch
import numpy as np# 定义输入数据
data = [[-0.5, 7.7], [1.8, 98.5], [0.9, 57.8],[0.4, 39.2], [-1.4, -15.7],[-1.4, -37.3], [-1.8, -49.1],[1.5, 75.6], [0.4, 34.0],[0.8, 62.3]]
# 转换为 NumPy 数组
data = np.array(data)
# 提取 x_data 和 y_data
x_data = data[:, 0]
y_data = data[:, 1]
# 将数据转换为 Tensor
x_train = torch.tensor(x_data, dtype=torch.float32)
y_train = torch.tensor(y_data, dtype=torch.float32)import torch.nn as nn# 定义线性模型
class LinearModel(nn.Module):def __init__(self):super(LinearModel, self).__init__()self.layers = nn.Linear(1, 1)  # 定义一个线性层，输入和输出维度都是1def forward(self, x):x = self.layers(x)  # 将输入 x 通过线性层return x# 初始化模型
model = LinearModel()# 定义损失函数
criterion = nn.MSELoss()  # 均方误差损失函数
# 选取优化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # 随机梯度下降优化器，学习率为0.01# 迭代训练
epoches = 500
for n in range(1, epoches + 1):x_train_add_dim = x_train.unsqueeze(1)  # 增加维度以适应模型输入y_pre = model(x_train_add_dim)  # 前向传播，获取预测值# 计算损失loss = criterion(y_pre.squeeze(1), y_train)  # 计算预测值和真实值之间的均方误差# 梯度更新optimizer.zero_grad()  # 清空之前的梯度# 计算损失函数对模型参数的梯度loss.backward()  # 反向传播，计算梯度# 根据优化算法更新参数optimizer.step()  # 更新模型参数if n % 10 == 0 or n == 1:print(f"epoches:{n},loss:{loss}")

二、pytorch模型的保存

有两种保存方式

2.1 保存模型的权重和其他参数

保存：使用torch.save()保存，该函数将模型的状态字典保存到文件中，其中包括模型的权重和其他参数。

model是模型名称可以换成其他名称。

model.state_dict()返回模型的状态字典，其中包含模型的所有参数，然后，torch.save()函数将这个状态字典保存到名为model.pth的文件中 pth是pytorch的标准的一个模型文件，不加路径就是当前路径，加了路径就是指定的路径。

2.1.1 torch.save()保存字典

import torch
import numpy as np# 准备数据
data = [[-0.5, 7.7], [1.8, 98.5], [0.9, 57.8],[0.4, 39.2], [-1.4, -15.7],[-1.4, -37.3], [-1.8, -49.1],[1.5, 75.6], [0.4, 34.0],[0.8, 62.3]]
data = np.array(data)
x_data = data[:, 0]  # 获取 x 数据
y_data = data[:, 1]  # 获取 y 数据
x_train = torch.tensor(x_data, dtype=torch.float32)  # 将 x 数据转换为 PyTorch 张量
y_train = torch.tensor(y_data, dtype=torch.float32)  # 将 y 数据转换为 PyTorch 张量from torch.utils.data import DataLoader, TensorDataset# 创建 TensorDataset，用于将 x_train 和 y_train 打包成数据集
dataset = TensorDataset(x_train, y_train)
# 创建 DataLoader，用于批量加载数据
dataloader = DataLoader(dataset, batch_size=2, shuffle=False)import torch.nn as nn# 定义线性模型
class LinearModel(nn.Module):def __init__(self):super(LinearModel,self,).__init__()# 定义一个线性层self.layers = nn.Linear(1, 1)def forward(self,x):# 前向传播函数x = self.layers(x)  # 通过线性层return x# 实例化线性模型
model = LinearModel()# 定义损失函数
criterion = nn.MSELoss()
# 定义优化器
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)
# 定义训练轮数
epoches = 500
# 训练模型
for n in range(1, epoches + 1):epoch_loss = 0# 迭代 DataLoaderfor batch_x, batch_y in dataloader:# 增加维度x_batch_add_dim = batch_x.unsqueeze(1)# 预测y_pre = model(x_batch_add_dim)# 计算损失batch_loss = criterion(y_pre.squeeze(1), batch_y)# 梯度清零optimizer.zero_grad()# 反向传播batch_loss.backward()# 更新参数optimizer.step()epoch_loss = epoch_loss + batch_loss# 计算平均损失avg_loss = epoch_loss / (len(dataloader))# 每 100 轮保存一次模型if n % 100 == 0 or n == 1:torch.save(model.state_dict(), f'model.pth_{n}')print(f"epoches:{n},loss:{avg_loss}")

总结

        本文详细介绍了使用PyTorch框架实现线性回归的五个关键方面：模型定义（包括nn.Sequential, nn.Linear, nn.ModuleList, nn.ModuleDict, nn.Module等容器的使用）、模型保存（通过torch.save()保存模型权重和其他参数）、模型加载、模型网络结构的查看以及线性回归的具体代码实现。通过对这些内容的学习，读者可以掌握并理解PyTorch框架下线性回归的完整流程，并能够灵活运用各种模型定义方法和保存策略。

相关文章：

  • 动态LOD策略细节层级控制：根据视角距离动态简化远距量子态渲染
  • Vue的模板编译过程
  • 【漏洞复现】CVE-2024-38856（ApacheOfbiz RCE）
  • 毕设 - 数字孪生智慧农场（vue+高德地图）项目分享
  • 记一次 .NET某旅行社酒店管理系统 卡死分析
  • SystemWeaver详解：从入门到精通的深度实战指南
  • 足球 AI 智能体技术解析：从数据采集到比赛预测的全链路架构
  • 【Maven基础】
  • 基于单片机的BMS热管理功能设计
  • 突破网页数据集获取难题：Web Unlocker API 助力 AI 训练与微调数据集全方位解决方案
  • Oracle EBS R12.2 安装 -- Step by Step
  • android studio sdk unavailable和Android 安装时报错：SDK emulator directory is missing
  • 计算机视觉——利用AI幻觉检测图像是否是生成式算生成的图像
  • 2025年最新服务器、中间件安全(面试题)
  • 系统架构设计（二）：基于架构的软件设计方法ABSD
  • Java BIO、NIO、AIO、Netty面试题（已整理全套PDF版本）
  • 链表与文件
  • 日志的实现
  • 强化学习笔记（三）——表格型方法（蒙特卡洛、时序差分）
  • docker学习笔记2-最佳实践
  • 美股再遭重挫，标普500指数11个板块全线溃败
  • 民生访谈｜“AI推广是把学生教聪明还是教笨了？这个问题必须回答好”
  • 沙龙 | 新书分享：中国电商崛起的制度密码
  • 北京媒体锐评男子地铁辱骂他人：北京地铁永远欢迎沾着泥巴的普通劳动者
  • GDP增长6.0%，一季度浙江经济数据出炉
  • 新疆维吾尔自治区政协原副主席窦万贵一审被控受贿超2.29亿