pytorch进行多变量线性回归

Question

我正在使用Pytorch处理线性回归问题。
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。如何使用多个变量进行线性回归？

（）中的TypeError Traceback（最近一次调用最后一次）（9）Optimizer.zero_grad（）＃梯度10输出=模型（输入）＃输出---> 11损失=标准（输出，目标）＃损失函数12 loss.backward（） ＃向后传播13 Optimizer.step（）＃1步优化（gradeint下降）

/anaconda/envs/tensorflow/lib/python3.6/site-packages/torch/nn/modules/module.py在调用中（self，* input，** kwargs）204205 def 调用（self，* input，** kwargs）：-> 206 result = self.forward（* input，** kwargs）207 for self中的hook._forward_hooks.values（）：208 hook_result = hook（self，input，result）

/anaconda/envs/tensorflow/lib/python3.6/site-packages/torch/nn/modules/loss.py in forward（自身，输入，目标）22 _assert_no_grad（目标）23 backend_fn = getattr（self._backend，类型（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 in forward（自己，输入，目标）39 output = input.new（1）40 getattr（self ._backend，update_output.name）（self._backend.library_state，input，target，---> 41 output，* self.additional_args）42返回输出43

TypeError：FloatMSECriterion_updateOutput接收到无效的参数组合-得到（int，torch.FloatTensor，torch.DoubleTensor，torch.FloatTensor，bool），但是是预期的（int状态，torch.FloatTensor输入，torch.FloatTensor目标，torch.Float布尔值（平均）

这是代码

#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。在本例中，x_train 是 32 位浮点型，而 y_train 是 Double 型。你必须使用：

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