pytorch_linear_regression

線形回帰です。

下準備

!python.exe -m pip install --upgrade pip
!pip install --upgrade matplotlib
!pip install --upgrade numpy
!pip install --upgrade pandas
!pip install --upgrade matplotlib

!python.exe -m pip install --upgrade pip

!pip install --upgrade matplotlib

!pip install --upgrade numpy

!pip install --upgrade pandas

!pip install --upgrade matplotlib

モジュール

import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
plt.style.use('ggplot')

import torch

import torch.nn as nn

import torch.optim as optim

import matplotlib.pyplot as plt

import numpy as np

%matplotlib inline

plt.style.use('ggplot')

線形にノイズを乗せたサンプルデータを作成する。

# サンプルデータの生成
torch.manual_seed(0)
a = 3
b = 5
x = torch.linspace(0, 10, 101)# 0 から10まで101データ作成する 
x = x.view(101, 1) # 101行 x 1列に変形する　pytroch:batchの次元が頭にくる。そのあとに値
epsilon = torch.randn(101,1) # 101行 x 1列 ノイズデータとして　pytroch:batchの次元が頭にくる。そのあとに値
y = a * x + b + epsilon
plt.scatter(x, y)
plt.xlabel('x')
plt.ylabel('y')
plt.show()

# サンプルデータの生成

torch.manual_seed(0)

a = 3

b = 5

x = torch.linspace(0, 10, 101)# 0 から10まで101データ作成する

x = x.view(101, 1) # 101行 x 1列に変形する　pytroch:batchの次元が頭にくる。そのあとに値

epsilon = torch.randn(101,1) # 101行 x 1列ノイズデータとして　pytroch:batchの次元が頭にくる。そのあとに値

y = a * x + b + epsilon

plt.scatter(x, y)

plt.xlabel('x')

plt.ylabel('y')

plt.show()

適当な一次関数を乗せる

class LinearRegression(nn.Module): # 継承 def __init__(self):
        super().__init__() # まず親クラスの初期化（継承しているため）
        self.linear = nn.Linear(in_features=1, out_features=1)#入力xひとつ　出力yひとつ
        
    def forward(self, x):
        output = self.linear(x)
        return output
```


```python
# 訓練前の出力を確認する

plt.scatter(x.detach().numpy(), y,label='y_data')
plt.xlabel('x')
plt.ylabel('y')

model = LinearRegression()
y_before_trainning = model.forward(x)

plt.plot(x.detach().numpy(), y_before_trainning.detach().numpy(), label='y_before_trainning')# detach()が必要

plt.xlabel('x')
plt.ylabel('y')

plt.legend()
plt.show()

class LinearRegression(nn.Module): # 継承 def __init__(self):

super().__init__() # まず親クラスの初期化（継承しているため）

self.linear = nn.Linear(in_features=1, out_features=1)#入力xひとつ　出力yひとつ

def forward(self, x):

output = self.linear(x)

return output

```

```python

# 訓練前の出力を確認する

plt.scatter(x.detach().numpy(), y,label='y_data')

plt.xlabel('x')

plt.ylabel('y')

model = LinearRegression()

y_before_trainning = model.forward(x)

plt.plot(x.detach().numpy(), y_before_trainning.detach().numpy(), label='y_before_trainning')# detach()が必要

plt.xlabel('x')

plt.ylabel('y')

plt.legend()

plt.show()

あってないので学習していく

# 学習していく
criterion = nn.MSELoss() # 損失関数を定義
optimizer = optim.Adam(model.parameters(), lr=0.001) # オプティマイザーを定義 学習率を定義
```


```python
losses = []
num_epoch = 10000
for epoch in range(num_epoch):
    # バッチ学習とする
    
    optimizer.zero_grad() # オプティマイザーの初期化
    y_pred = model(x) # xをネットワークへ入力してyを予測する
    loss = criterion(y_pred, y) # 予測したyと 正解データyとの損失関数を求める
    loss.backward() # 損失関数lossの勾配を求める
    optimizer.step() # オプティマイザーを使って重みパラメータを更新する
    
    # epoch 10 毎に損失を出力する
    if epoch % 10 == 0:
        print(f'epoch : {epoch} , loss : {loss}')
        
    losses.append(loss.detach().numpy()) # 損失の履歴をリストに保存する
```

    epoch : 0 , loss : 102.21257019042969
    epoch : 10 , loss : 101.25241088867188
    epoch : 20 , loss : 100.2987289428711
    epoch : 30 , loss : 99.35151672363281

    epoch : 9960 , loss : 0.9862185120582581
    epoch : 9970 , loss : 0.9861779808998108
    epoch : 9980 , loss : 0.9861387610435486
    epoch : 9990 , loss : 0.9861003160476685

plt.plot(losses)

# 学習していく

criterion = nn.MSELoss() # 損失関数を定義

optimizer = optim.Adam(model.parameters(), lr=0.001) # オプティマイザーを定義学習率を定義

```

```python

losses = []

num_epoch = 10000

for epoch in range(num_epoch):

# バッチ学習とする

optimizer.zero_grad() # オプティマイザーの初期化

y_pred = model(x) # xをネットワークへ入力してyを予測する

loss = criterion(y_pred, y) # 予測したyと正解データyとの損失関数を求める

loss.backward() # 損失関数lossの勾配を求める

optimizer.step() # オプティマイザーを使って重みパラメータを更新する

# epoch 10 毎に損失を出力する

if epoch % 10 == 0:

print(f'epoch : {epoch} , loss : {loss}')

losses.append(loss.detach().numpy()) # 損失の履歴をリストに保存する

```

epoch : 0 , loss : 102.21257019042969

epoch : 10 , loss : 101.25241088867188

epoch : 20 , loss : 100.2987289428711

epoch : 30 , loss : 99.35151672363281

epoch : 9960 , loss : 0.9862185120582581

epoch : 9970 , loss : 0.9861779808998108

epoch : 9980 , loss : 0.9861387610435486

epoch : 9990 , loss : 0.9861003160476685

plt.plot(losses)

学習結果

plt.scatter(x.detach().numpy(), y,label='y_data')
plt.xlabel('x')
plt.ylabel('y')

plt.plot(x.detach().numpy(), y_before_trainning.detach().numpy(), label='y_before_trainning')# detach()が必要

plt.xlabel('x')
plt.ylabel('y')

plt.plot(x.detach().numpy(), y_pred.detach().numpy(), label='y_pred')# detach()が必要

plt.xlabel('x')
plt.ylabel('y')

plt.legend()
plt.show()
```

plt.scatter(x.detach().numpy(), y,label='y_data')

plt.xlabel('x')

plt.ylabel('y')

plt.plot(x.detach().numpy(), y_before_trainning.detach().numpy(), label='y_before_trainning')# detach()が必要

plt.xlabel('x')

plt.ylabel('y')

plt.plot(x.detach().numpy(), y_pred.detach().numpy(), label='y_pred')# detach()が必要

plt.xlabel('x')

plt.ylabel('y')

plt.legend()

plt.show()

```

以上

この記事を書いた人
最新の記事

Keita N

最新記事 by Keita N (全て見る)

2025年5月
月	火	水	木	金	土	日
			1	2	3	4
5	6	7	8	9	10	11
12	13	14	15	16	17	18
19	20	21	22	23	24	25
26	27	28	29	30	31