PyTorch 深度学习实践第五讲（用PyTorch实现线性回归）

基本步骤

上课代码

import torch

x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[2.0], [4.0], [6.0]])    #x与y必须是矩阵

class LinearModel(torch.nn.Module):    #继承自Module,Module自动实现基本图(实现backward过程)
    def __init__(self):    #初始化对象默认调用的函数
        super(LinearModel,self).__init__()    #调用父类的构造函数
        self.linear = torch.nn.Linear(1,1)    #构造一个对象，包含权重和偏置,同时继承自Module
        
    def forward(self,x):    #进行前馈时所要执行的计算
        y_pred = self.linear(x)    #实现一个可调用的对象，实现 w * x + b
        return y_pred
    
model = LinearModel()     #可以直接被调用
criterion = torch.nn.MSELoss(size_average = False)      #构造损失函数，继承自Module
optimizer = torch.optim.SGD(model.parameters(),lr = 0.01)   #优化器，来自优化模块的SGD类

#训练过程
for epoch in range(1000):
    y_pred = model(x_data)   #前馈计算
    loss = criterion(y_pred,y_data)   #计算损失
    print(epoch,loss.item())     #loss在print时自动调用__str__()，不会产生计算图
    
    optimizer.zero_grad()   #梯度归零
    loss.backward()    #反向传播
    optimizer.step()      #更新
    
print('w=',model.linear.weight.item())   #权重
print('b=',model.linear.bias.item())
    
x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print('y_pred = ',y_test.data)