《深度学习框架PyTorch入门与实践》示例——用Variable实现线性回归

《深度学习框架PyTorch入门与实践》第三章的一个示例，利用Variable实现线性回归。我将原书代码在pycharm中重写时有些运行错误，解决问题后可以运行。在代码中注释了解决方法。

python代码如下：

"""第三章 Tensor和autograd"""
import torch as t
from torch.autograd import Variable as V
from matplotlib import pyplot as plt
from IPython import display

t.manual_seed(1000)


def get_fake_data(batch_size = 8):
    """产生随机数据：y=2*x+3"""
    x = t.rand(batch_size, 1) * 20
    y = x * 2 + (1 + t.randn(batch_size, 1)) * 3
    return x, y


# 随机初始化参数
w = V(t.rand(1, 1), requires_grad=True)
b = V(t.zeros(1, 1), requires_grad=True)

lr = 0.001

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

    # foward
    y_pred = x.mm(w) + b.expand_as(x)      # 把一个tensor变成和函数括号内一样形状的tensor，用法与expand（）类似
    loss = 0.5 * (y_pred - y) ** 2
    loss = loss.sum()

    # backward
    loss.backward()

    # 更新参数
    w.data.sub_(lr * w.grad.data)         # 没找到sun_()功能介绍，推测相当于 -= 括号内的数值
    b.data.sub_(lr * b.grad.data)

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

    if ii % 1000 == 0:
        # 画图
        display.clear_output(wait=True)
        x = t.arange(0, 20).float().view(-1, 1)             # 加上.float()转换数据格式，否则报错
        y = x.mm(w.data) + b.data.expand_as(x)
        plt.plot(x.numpy(), y.numpy())                      # 画预测值

        x2, y2 = get_fake_data(batch_size=20)
        plt.scatter(x2.numpy(), y2.numpy())                 # 画训练样本值

        plt.xlim(0, 20)
        plt.ylim(0, 41)
        plt.show()
        plt.pause(0.5)

print(w.data.squeeze(), b.data.squeeze())                    # 不要写成.squeeze()[0]

训练结果如下图所示：