使用 pytorch 进行多变量线性回归

Question

我正在使用 Pytorch 解决线性回归问题。
我在单变量情况下取得了成功，但是当我执行多变量线性回归时，出现以下错误。我应该如何进行多变量的线性回归？

TypeError Traceback（最近调用 最后）在（） 9 优化器.zero_grad() #gradient 10 个输出 = 模型（输入）#输出 ---> 11 损失 = 标准（输出，目标）#损失函数 12 loss.backward() #反向传播 13 optimizer.step() #1-step optimization(gradeint descent)

/anaconda/envs/tensorflow/lib/python3.6/site-packages/torch/nn/modules/module.py 在 调用(self, *input, **kwargs) 204 205 def 调用（自我，*输入，**kwargs）： --> 206 结果 = self.forward(*input, **kwargs) 207 for hook in self._forward_hooks.values(): 208 hook_result = 钩子（自我，输入，结果）

/anaconda/envs/tensorflow/lib/python3.6/site-packages/torch/nn/modules/loss.py 在前进（自我，输入，目标） 22 _assert_no_grad(目标) 23 backend_fn = getattr(self._backend, type(self).name) ---> 24 return backend_fn(self.size_average)(input, target) 25 26

/anaconda/envs/tensorflow/lib/python3.6/site-packages/torch/nn/_functions/thnn/auto.py 在前进（自我，输入，目标） 39 输出 = input.new(1) 40 getattr（self._backend，update_output.name）（self._backend.library_state，输入，目标， ---> 41 输出，*self.additional_args) 42返回输出 43

TypeError: FloatMSECriterion_updateOutput 收到无效的 参数组合 - got (int, torch.FloatTensor, torch.DoubleTensor，torch.FloatTensor，bool），但预期（int state， torch.FloatTensor 输入，torch.FloatTensor 目标，torch.FloatTensor 输出，布尔大小平均）

这里是代码

#import
import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
from torch.autograd import Variable

#input_size = 1
input_size = 3
output_size = 1
num_epochs = 300
learning_rate = 0.002

#Data set
#x_train = np.array([[1.564],[2.11],[3.3],[5.4]], dtype=np.float32)
x_train = np.array([[73.,80.,75.],[93.,88.,93.],[89.,91.,90.],[96.,98.,100.],[73.,63.,70.]],dtype=np.float32)
#y_train = np.array([[8.0],[19.0],[25.0],[34.45]], dtype= np.float32)
y_train = np.array([[152.],[185.],[180.],[196.],[142.]])
print('x_train:\n',x_train)
print('y_train:\n',y_train)

class LinearRegression(nn.Module):
    def __init__(self,input_size,output_size):
        super(LinearRegression,self).__init__()
        self.linear = nn.Linear(input_size,output_size)

    def forward(self,x):
        out = self.linear(x) #Forward propogation 
        return out

model = LinearRegression(input_size,output_size)

#Lost and Optimizer
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(),lr=learning_rate)

#train the Model
for epoch in range(num_epochs):
    #convert numpy array to torch Variable
    inputs = Variable(torch.from_numpy(x_train)) #convert numpy array to torch tensor
    #inputs = Variable(torch.Tensor(x_train))    
    targets = Variable(torch.from_numpy(y_train)) #convert numpy array to torch tensor

    #forward+ backward + optimize
    optimizer.zero_grad() #gradient
    outputs = model(inputs) #output
    loss = criterion(outputs,targets) #loss function
    loss.backward() #backward propogation
    optimizer.step() #1-step optimization(gradeint descent)

    if(epoch+1) %5 ==0:
        print('epoch [%d/%d], Loss: %.4f' % (epoch +1, num_epochs, loss.data[0]))
        predicted = model(Variable(torch.from_numpy(x_train))).data.numpy()
        plt.plot(x_train,y_train,'ro',label='Original Data')
        plt.plot(x_train,predicted,label='Fitted Line')
        plt.legend()
        plt.show()

Answer 1

您需要确保数据具有相同的类型。在这种情况下，x_train 是 32 位浮点数，而 y_train 是 Double。你必须使用：

y_train = np.array([[152.],[185.],[180.],[196.],[142.]],dtype=np.float32)