分类： 记录生活

把我的手机，红米k60给老爸用了。老爸不适应，转手给弟弟了。他说手机用五年了。该换了正好

尾号5486卡11月16日10:22支出(消费支付宝-献县西收费站)20元，余额10,431.35元。【工商银行】

标价6199元，12运行内存512存储。便宜了800元，5399元。农行信用卡支付，又省300元。真实花费5099元。感觉用起来还不错。让自己开心一下。其实红米k60还挺好用。继续用……

昨天陪杜云芳、杨恩智一天，买了辆奇瑞捷途jetour X70 plus（max版）车报价118000元，旧车抵了40000元，交现金15000元，农行贷款8万. （总价4+1.5+8=13.5万—包牌500元+保险4000元+税金1万+优惠3000）
老岳父家里-皇家一里-联通网络欠费，我把自己的闲置的移动宽带已过去了。上午9点就开通了网络。
帮玫町找资料，没找到，和找姐妹生气……他愿意装修地下室！

昨天五矿发资本和第一创业买入在了高点，今天赔了3000！名副其实的高位接盘侠。还不够成熟……继续修炼。
老岳父便秘，十二点半开始，打了开塞露，一下午也没消停，晚上5点半吃饭前，这才排了。
四婶子，四叔送来了花卷、豆包，看上去很诱人！
开车违规：御河路和御景街交叉路口，右转道直行了，被警告，参加学习视频，就不扣分、不扣钱了！谢谢……

康湾集团 固安 牛驼镇
康湾旅居 康湾九华 康湾康养
德，花， 乐，香，书，食，功 七修……
集团 康养 旅养 医养三大版块
远大的新风系统
有机农场 食堂
管家式服务
天津滨海新区第一养护院 失能老人
人体基因检测 提早发现疾病
旅居版块……旅居 旅游 有康养 -联盟 -旅居旅游基地
涿州旅游基地 北海基地 10月第二年3月人多
承德基地 莆田希望集团经营 湄洲岛，像眉毛 成都太保家园 唐山青山关 威海 湖州 南宁华润医养社区。

#使用 PyTorch 实现线性回归模型的代码
import torch
import torch.nn as nn
import  matplotlib.pyplot as plt


# 生成模拟数据
torch.manual_seed(42)
x = torch.linspace(-1, 1, 100).view(-1, 1)
y = 2 * x + 1 + 0.3 * torch.randn(x.size())

# 定义线性回归模型
class LinearRegressionModel(nn.Module):
    def __init__(self):
        super(LinearRegressionModel, self).__init__()
        self.linear = nn.Linear(1, 1)

    def forward(self, x):
        return self.linear(x)

model = LinearRegressionModel()

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 训练模型
epochs = 1000
for epoch in range(epochs):
    optimizer.zero_grad()
    outputs = model(x)
    loss = criterion(outputs, y)
    loss.backward()
    optimizer.step()

    if (epoch + 1) % 100 == 0:
        print(f'Epoch [{epoch + 1}/{epochs}], Loss: {loss.item()}')

# 进行预测
with torch.no_grad():
    predicted = model(x)

# 绘制结果
plt.scatter(x.numpy(), y.numpy(), label='True data')
plt.plot(x.numpy(), predicted.numpy(), 'r', label='Predicted')
plt.legend()
plt.show()
'''
在这段代码中，首先生成了模拟的线性数据，并添加了一些噪声。
然后定义了一个线性回归模型，包含一个线性层。
接着使用均方误差损失函数和随机梯度下降优化器进行模型训练。
最后，进行预测并绘制出真实数据和预测结果的对比图。
'''

#使用 PyTorch 在 GPU 上进行线性回归的代码实例
import torch
import torch.nn as nn
import torch.optim as optim

# 设置设备为 GPU（如果可用）
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f'Using device: {device}')
# 生成模拟数据
torch.manual_seed(42)
x = torch.randn(100, 1).to(device)
y = 3 * x + 2 + torch.randn(100, 1).to(device)

# 定义线性回归模型
class LinearRegression(nn.Module):
    def __init__(self):
        super(LinearRegression, self).__init__()
        self.linear = nn.Linear(1, 1)

    def forward(self, x):
        return self.linear(x)

model = LinearRegression().to(device)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 训练模型
num_epochs = 1000
for epoch in range(num_epochs):
    # 将数据和模型都移到 GPU
    inputs = x.to(device)
    targets = y.to(device)
    outputs = model(inputs)
    loss = criterion(outputs, targets)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if (epoch + 1) % 100 == 0:
        print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item()}')

# 在 GPU 上进行预测
with torch.no_grad():
    test_input = torch.tensor([[4.0]]).to(device)
    predicted = model(test_input)
    print(f'Predicted value for input 4.0: {predicted.item()}')

'''
在这个例子中，首先检查是否有可用的 GPU，如果有则将设备设置为 GPU。
然后生成模拟数据并将其移到 GPU 上。定义线性回归模型并将其也移到 GPU。
使用均方误差损失函数和随机梯度下降优化器进行模型训练。最后，在 GPU 上进行预测并输出结果。
'''

[Running] python -u “d:\python\torch_gpu.py”

Using device: cpu
Epoch [100/1000], Loss: 0.917326033115387
Epoch [200/1000], Loss: 0.7827349305152893
Epoch [300/1000], Loss: 0.7804043292999268
Epoch [400/1000], Loss: 0.7803614735603333
Epoch [500/1000], Loss: 0.7803605794906616
Epoch [600/1000], Loss: 0.7803605794906616
Epoch [700/1000], Loss: 0.7803606390953064
Epoch [800/1000], Loss: 0.7803606390953064
Epoch [900/1000], Loss: 0.7803606390953064
Epoch [1000/1000], Loss: 0.7803606390953064

Predicted value for input 4.0: 14.082897186279297

[Done] exited with code=0 in 2.915 seconds