#mynavi()
#setlinebreak(on);
* 概要 [#u3d65efe]
#html(<div class="pl">)
[[numpyを使用した重回帰分析]] や [[scikit-learnを使用した重回帰分析]]、[[Chainerで重回帰分析をやってみる]] で実装した賃貸価格の推論と同じ事を PyTorch を使用してやってみる。
//※ 1層、2入力、1出力のシンプルなネットワークとする。
※ 使用するデータは numpyを使用した重回帰分析 と同じ。
#html(</div>)
* 目次 [#t2c2c8a6]
#contents
- 関連
-- [[PyTorch入門]]
-- [[numpyを使用した重回帰分析]]
-- [[scikit-learnを使用した重回帰分析]]
-- [[Chainerで重回帰分析をやってみる]]
- 参考
-- https://pytorch.org/tutorials/index.html
-- https://pytorch.org/tutorials/beginner/saving_loading_models.html
* 環境構築 [#w998db5f]
#html(<div class="pl10">)
#myterm2(){{
mkdir sample_pytorch
cd sample_pytorch
python3 -m venv venv
source venv/bin/activate
pip3 install torch torchvision
pip3 install sklearn
}}
#html(</div>)
* 実装 [#h239e71c]
#html(<div class="pl10">)
元々は Chainer の Fork だったらしく、今回実装した内容だと殆どChainerと変わらなかった。(関連: [[Chainerで重回帰分析をやってみる]])
sample_pytorch.py
#mycode2(python){{
import torch
import torch.nn as nn
import numpy as np
from sklearn.preprocessing import StandardScaler
# パラメータ
input_size = 2 # 説明変数の数
output_size = 1 # 推論値の数
alpha = 0.01 # 学習率
epochs = 1000 # 学習回数
# サンプルデータの読み込み
data = np.loadtxt("data/sample_rent1.csv", delimiter=",", skiprows=1)
x_train = data[:, 1:3].astype("float32") # 広さ, 築年数
y_train = data[:, 3:4].astype("float32") # 家賃
# モデル定義
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)
return out
model = LinearRegression(input_size, output_size)
#model = nn.Linear(input_size, output_size)
# 損失関数
loss = nn.MSELoss()
# 最適化関数
optimizer = torch.optim.SGD(model.parameters(), lr=alpha)
# 標準化用
scaler = StandardScaler()
scaler.fit(x_train)
# モデルの訓練
for epoch in range(epochs):
# 標準化
x_train_scaled = scaler.transform(x_train)
# データをテンソルへ変換
inputs = torch.from_numpy(x_train_scaled)
targets = torch.from_numpy(y_train)
# コストを算出
outputs = model(inputs)
cost = loss(outputs, targets)
# 勾配のリセットと勾配の計算
optimizer.zero_grad()
cost.backward()
optimizer.step()
# 100回ごとに誤差表示
if (epoch + 1) % 100 == 0:
print('Epoch [{}], Loss: {:.4f}'.format(epoch + 1, cost.item()))
# 任意の値を推論してみる
x_sample = np.array([[60.0, 10.0], [50.0, 10.0], [40.0, 10.0]])
x_sample_scaled = scaler.transform(x_sample)
inputs = torch.Tensor(x_sample_scaled)
results = model(inputs)
for i in range(results.size()[0]):
print('広さ:{}��, 築年数:{}, 家賃:{:.2f}'.format(x_sample[i,0], x_sample[i,1], results.data[i,0].item()))
# 訓練済みモデルを保存
#torch.save(model.state_dict(), 'sample.pth')
}}
#html(</div>)
* 結果 [#j9370f99]
#html(<div class="pl10">)
結果はほぼ [[Chainerで重回帰分析をやってみる]] と同じ。
#myterm2(){{
$ python3 sample_pytorch.py
Epoch [100], Loss: 1.2303
Epoch [200], Loss: 0.5337
Epoch [300], Loss: 0.5213
Epoch [400], Loss: 0.5211
Epoch [500], Loss: 0.5211
Epoch [600], Loss: 0.5211
Epoch [700], Loss: 0.5211
Epoch [800], Loss: 0.5211
Epoch [900], Loss: 0.5211
Epoch [1000], Loss: 0.5211
広さ:60.0��, 築年数:10.0, 家賃:8.12
広さ:50.0��, 築年数:10.0, 家賃:7.19
広さ:40.0��, 築年数:10.0, 家賃:6.27
}}
#html(</div>)
![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
