import torch
import numpy as np
from matplotlib import pyplot as plt
"""
假設(shè)模型為y=w*x+b
我們給出的訓(xùn)練數(shù)據(jù)是通過(guò)y=3*x+1，得到的，其中w=3，b=1
通過(guò)訓(xùn)練y=w*x+b觀察訓(xùn)練結(jié)果是否接近于w=3，b=1
"""
# 設(shè)置學(xué)習(xí)率
learning_rate=0.01
#準(zhǔn)備數(shù)據(jù)
x=torch.rand(500,1) #隨機(jī)生成500個(gè)x作為訓(xùn)練數(shù)據(jù)
y_true=x*3+1 #根據(jù)模型得到x對(duì)應(yīng)的y的實(shí)際值
#初始化參數(shù)
w=torch.rand([1,1],requires_grad=True) #初始化w
b=torch.rand(1,requires_grad=True,dtype=torch.float32) #初始化b
#通過(guò)循環(huán)，反向傳播，更新參數(shù)
for i in range(2000):
    # 通過(guò)模型計(jì)算y_predict
    y_predict=torch.matmul(x,w)+b #根據(jù)模型得到預(yù)測(cè)值
    #計(jì)算loss
    loss=(y_true-y_predict).pow(2).mean()
    #防止梯度累加，每次計(jì)算梯度前都將其置為0
    if w.grad is not None:
        w.grad.data.zero_()
    if b.grad is not None:
        b.grad.data.zero_()
    #通過(guò)反向傳播，記錄梯度
    loss.backward()
    #更新參數(shù)
    w.data=w.data-learning_rate*w.grad
    b.data=b.data-learning_rate*b.grad
    # 這里打印部分值看一看變化
    if i%50==0:
        print("w,b,loss:",w.item(),b.item(),loss.item())
#設(shè)置圖像的大小
plt.figure(figsize=(20,8))
#將真實(shí)值用散點(diǎn)表示出來(lái)
plt.scatter(x.numpy().reshape(-1),y_true.numpy().reshape(-1))
#將預(yù)測(cè)值用直線表示出來(lái)
y_predict=torch.matmul(x,w)+b
plt.plot(x.numpy().reshape(-1),y_predict.detach().numpy().reshape(-1),c="r")
#顯示圖像
plt.show()

import torch
from torch import nn
from torch import optim
from matplotlib import pyplot as plt
import numpy as np
# 1.定義數(shù)據(jù),給出x
x=torch.rand(50,1)
# 假定模型為y=w*x+b，根據(jù)模型給出真實(shí)值y=x*3+0.8
y=x*3+0.8
# print(x)
#2.定義模型
class Lr(torch.nn.Module):
    def __init__(self):
        super(Lr, self).__init__()
        self.linear = torch.nn.Linear(1, 1)
    def forward(self, x):
        out = self.linear(x)
        return out
# 3.實(shí)例化模型、loss、優(yōu)化器
model=Lr()
criterion=nn.MSELoss()
# print(list(model.parameters()))
optimizer=optim.SGD(model.parameters(),lr=1e-3)
# 4.訓(xùn)練模型
for i in range(30000):
    out=model(x) #獲取預(yù)測(cè)值
    loss=criterion(y,out) #計(jì)算損失
    optimizer.zero_grad() #梯度歸零
    loss.backward() #計(jì)算梯度
    optimizer.step() #更新梯度
    if (i+1)%100 ==0:
        print('Epoch[{}/{}],loss:{:.6f}'.format(i,30000,loss.data))
# 5.模型評(píng)估
model.eval() #設(shè)置模型為評(píng)估模式，即預(yù)測(cè)模式
predict=model(x)
predict=predict.data.numpy()
plt.scatter(x.data.numpy(),y.data.numpy(),c="r")
plt.plot(x.data.numpy(),predict)
plt.show()