Pytorch深度学习（四）：用Pytorch实现线性回归

一、概念

上图主要介绍了使用Pytorch解决问题的四个步骤：

1.准备数据集

#1.准备数据集
x_data = torch.Tensor([[1.0],[2.0],[3.0]])
y_data = torch.Tensor([[2.0],[4.0],[6.0]])

2.使用Class设计模型

#2.使用Class设计模型
class LinearModel(torch.nn.Module):
    #构造函数，初始化
    def __init__(self):
        super(LinearModel,self).__init__()
        self.liner = torch.nn.Linear(1,1)  #(1,1)表示输入和输出的维度
        
    #前向传播函数
    #forward（）相当于对父类_init_（）进行重载   
    def forward(self,x):
        y_pred = self.liner(x)
        return y_pred
    
model = LinearModel()  #创建类LinearModel的实例

我们的模型类应继承自nn.Module(所有神经网络模块的基类)。成员方法__init __（）和forward（）必须实现。nn.Linear类包含两个Tensor：权重和偏差。nn.Linear类已实现magic method __call __（），该方法使类的实例可以像函数一样被调用。 通常将调用forward（）。

其中关于class torch.nn.Linear的用法：

3.构建损失函数和优化器的选择

#3.构建损失函数和优化器的选择
criterion = torch.nn.MSELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)

这一部分主要使用pytorch进行损失函数以及优化器的选择

4.进行训练的迭代。

#4.进行训练迭代
for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred,y_data)
    print(epoch,loss.item())  #.item()获取数值大小
    
    #由.backward（）计算的grad将被累积。 因此，在反向传播之前，记住将梯度设置为0。
    optimizer.zero_grad()
    loss.backward()    
    optimizer.step()  #进行更新update

二、完整代码如下：

import torch

#loss  必须是一个标量才可以用backward。

#1.准备数据集
x_data = torch.Tensor([[1.0],[2.0],[3.0]])
y_data = torch.Tensor([[2.0],[4.0],[6.0]])

#2.使用Class设计模型
class LinearModel(torch.nn.Module):
    #构造函数，初始化
    def __init__(self):
        super(LinearModel,self).__init__()
        self.liner = torch.nn.Linear(1,1)  #(1,1)表示输入和输出的维度
        
    #前向传播函数
    #forward（）相当于对父类_init_（）进行重载   
    def forward(self,x):
        y_pred = self.liner(x)
        return y_pred
    
model = LinearModel()  #创建类LinearModel的实例

#3.构建损失函数和优化器的选择
criterion = torch.nn.MSELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)

#4.进行训练迭代
for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred,y_data)
    print(epoch,loss.item())  #.item()获取数值大小
    
    #由.backward（）计算的grad将被累积。 因此，在反向传播之前，记住将梯度设置为0。
    optimizer.zero_grad()
    loss.backward()    
    optimizer.step()  #进行更新update
    
#输出权重w和偏置b
print('w=',model.liner.weight.item())
print('b=',model.liner.bias.item())

#测试模型
x_test = torch.Tensor([4.0])
y_test = model(x_test)
print('y_pred = ',y_test.data)

运行结果：

参考学习链接：https://www.bilibili.com/video/BV1Y7411d7Ys?t=1699&p=5