paddle深度学习11 线性回归

# In[ ]:
import numpy as np
import matplotlib.pyplot as plt

# 设置随机种子以确保结果可重复
np.random.seed(42)

# 生成数据
num_samples = 100  # 数据点数量
X = 2 * np.random.rand(num_samples, 1)  # 生成100个在[0, 2)范围内的随机数作为X
y = 4 + 3 * X + np.random.randn(num_samples, 1)  # y = 4 + 3*X + 噪声

# 将数据保存到CSV文件（可选）
np.savetxt("test.csv", np.hstack((X, y)), delimiter=",", header="X,y", comments="")

# 载入数据
data = np.genfromtxt("test.csv", delimiter=",", skip_header=1)
print('数据总条数：', len(data))
print('前10条数据:')
print(data[:10])


# In[ ]:
#查看数据分布
plt.scatter(data[:,0], data[:,1])
plt.show()


# In[ ]:
import paddle
#构建数据集类
class MyDataset(paddle.io.Dataset):  
    def __init__(self, data, labels):  
        self.data = data 
        self.labels = labels  
  
    def __getitem__(self, index):  
        data = self.data[index]  
        label = self.labels[index]  
        return data, label  
  
    def __len__(self):  
        return len(self.data)
#把数据集转换为tensor(张量)类型
data=paddle.to_tensor(data,dtype="float32")
mydata=MyDataset(data[:,0],data[:,1])
#把数据装入DataLoader
dataloader = paddle.io.DataLoader(mydata, batch_size=1, shuffle=True)


# In[ ]:
#导入进度条函数库tqdm
from tqdm import tqdm_notebook as tqdm
import warnings
warnings.filterwarnings('ignore',message="This function will be removed in tqdm")
#损失函数设置为MSE(均方差损失)
criterion = paddle.nn.loss.MSELoss()
#机器学习模型使用线性模型，其中输入维度为1，输出维度为1
model=paddle.nn.Linear(1, 1)
#使用的优化器为AdamW，学习率设置为0.02
optimizer=paddle.optimizer.AdamW(learning_rate=0.02,weight_decay=0.02, parameters=model.parameters())
#训练函数
def train(data_loader):
    for step,batch in enumerate(tqdm(data_loader),start=1):
        x, labels = batch
        logits = model(x)
        loss = criterion(logits, labels) 
        optimizer.clear_gradients()
        loss.backward()
        optimizer.step()
        
    print('Loss: %f' % (loss.numpy()))

model.train()
for i in range(12):
    print('【Epoch:',i+1,'】')
    train(dataloader)


# In[ ]:
#输出权重(w)和偏置(b),y = w*x + b
print("模型权重：%f" %(model.weight.numpy()))
print("模型偏置：%f" %(model.bias.numpy()))


# In[ ]:
# 绘制函数曲线
w = model.weight.numpy().item()
b = model.bias.numpy().item()
x = np.linspace(0, 2, 100)  # 将x的范围调整为[0, 2)，与原始数据一致
y = w * x + b
plt.plot(x, y, color='red')
plt.scatter(data[:, 0], data[:, 1])
plt.xlabel('X')
plt.ylabel('y')
plt.title('Linear Regression')
plt.show()