江西建设安全网站,个人网站需不需要备案,网页制作工具不包括,没有网站如何做cps1.定义#xff1a; 回归分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。线性回归是利用称为线性回归方程的最小二乘函数#xff0c;对一个或多个自变量和因变量之间关系#xff0c;进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参…1.定义 回归分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。线性回归是利用称为线性回归方程的最小二乘函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。 在回归分析中只包括一个自变量和一个因变量且二者的关系可用一条直线近似表示这种回归分析称为一元线性回归分析。大于一个自变量情况的叫做多元回归。在线性回归中数据使用线性预测函数来建模并且未知的模型参数也是通过数据来估计。这些模型被叫做线性模型。
2.torchvision.datasets 对于常用数据集可以使用torchvision.datasets直接进行读取。 torchvision.dataset是torch.utils.data.Dataset的实现。该包提供了以下数据集的读取
MNIST
COCO (Captioning and Detection)
LSUN Classification
ImageFolder
Imagenet-12
CIFAR10 and CIFAR100
STL103.DataLoader Pytorch 中提供了一种整理数据结构的变量叫做DataLoader我们能用它来包装自己的数据进行训练。 函数定义 torch.utils.data.DataLoader (dataset batch_size1 shuffleFalse samplerNone num_workers0 collate_fnfunction default_collate pin_memoryFalse drop_lastFalse)
4.线性回归模型 建立线性回归模型需要继承Modules类并实现__init__()方法以及forward()方法:
init()方法用于定义一些新的属性这些属性可以包括Modules的实例。在本例中即为一个torch.nn.Linear即创建线性模型在创建的同时线性模型的参数也被初始化 forward()方法用于定义该Module进行forward时的运算forward()方法接受一个输入然后通过其他modules或者其他Function运算来进行forward返回一个输出结果。
损失函数 我们画出的拟合直线只是一个近似因为肯定很多的点都没有落在直线上那么我们的直线拟合程度到底怎么样呢之前介绍的损失函数loss function同学们还记得吗它就是用来估量模型的预测值 f(x)与真实值Y的不一致程度损失函数越小模型的鲁棒性就越好直线拟合程度就越好。 最小二乘法是线性回归的一种最小二乘法的基本原则是最优拟合直线应该是使各点到回归直线的距离和最小的直线即平方和最小。换言之它是基于距离的而这个距离就是我们用的最多的欧几里得距离。为什么它会选择使用欧式距离作为误差度量呢即 Mean squared errorMSE主要有以下几个原因
简单计算方便 欧氏距离是一种很好的相似性度量标准 在不同的表示域变换后特征性质不变。
平方损失Square loss的标准形式如下 L(Yf(x))(Y−f(x))2 而在实际应用中通常会使用均方差MSE作为一项衡量指标公式如下 MSEnsum1leilen(Y−f(x))2 Y−f(x)表示的是残差整个式子表示的是残差的平方和的均值而我们的目的就是最小化这个目标函数值以求得最优的解。
5.优化方法:随机梯度下降法
import torch.optim
#定义优化函数
optimizer optim.SGD(model.parameters(), lr1e-4)
