（二）Pytorch线性回归简单实例的实现

1.线性回归的作用

确定两种或两种以上变量的相互依赖的定量关系

2.线性回归的形式

$$f(x)=w^{T}x+b$$
要找f(x)和x的关系，x常常是一组独立的变量$$x=(x_1,x_2,...,x_k)$$w是模型从训练数据中学到的参数$$w=(w_1,w_2,...,w_k)$$b也是学到的参数，叫做偏置

3.简单模型的实现

目标：给出一组点（x,y）通过线性回归预测后续走势

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
from torch.autograd import Variable


# Hyper Parameters
input_size = 1
output_size = 1
num_epochs = 1000
learning_rate = 0.001

x_train = np.array([[2.3], [4.4], [3.7], [6.1], [7.3], [2.1],[5.6], [7.7], [8.7], [4.1],

                    [6.7], [6.1], [7.5], [2.1], [7.2],

                    [5.6], [5.7], [7.7], [3.1]], dtype=np.float32)

#xtrain生成矩阵数据

y_train = np.array([[3.7], [4.76], [4.], [7.1], [8.6], [3.5],[5.4], [7.6], [7.9], [5.3],

                    [7.3], [7.5], [8.5], [3.2], [8.7],

                    [6.4], [6.6], [7.9], [5.3]], dtype=np.float32)
plt.figure() 
#画图散点图
plt.scatter(x_train,y_train)
plt.xlabel('x_train')
#x轴名称
plt.ylabel('y_train')
#y轴名称
#显示图片
plt.show()

首先根据给出的（x,y）的数据，画出散点图，画图通过matplotlib模块

# Linear Regression Model
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)

# Loss and Optimizer
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)  

(1)super函数

通过类class的方式定义模型结构，其中self指的是LinearRegression类实例化的本身，而不是LinearRegression类，比如
model = LinearRegression(input_size, output_size)后，self = model
具体super函数的用法，参考https://segmentfault.com/a/1190000007998627
其中MRO列表可以理解为“类和类之间的父子关系表，谁是谁的爹，爹的上面还有爹”，super函数可以理解为“找爹函数”，遇到super(A,B)，找到A的爹来处理B，B是当前执行的类的实例，相当于B=A的爹，执行"B.abc"，就等于执行"A的爹.abc"
比如上面这段代码里面就是model = LinearRegression(input_size, output_size)执行后的model，LinearRegression（）只是类，model是它的实例

(2) init

super(LinearRegression, self).init()
这行代码的意思是通过super调用LinearRegression类的父类的构造函数(也就是nn.Module的构造函数)给当前实例self(也就是model)，构造函数就是"init()"

(3)损失

Loss使用最小二乘Loss，分类问题最常用的是“交叉熵Loss”

(4)优化器

优化使用SGD优化，即随机梯度下降Stochastic Gradient Descent
具体优化器的种类和选择可以参考https://www.cnblogs.com/guoyaohua/p/8542554.html

# Train the Model 
for epoch in range(num_epochs):
    # Convert numpy array to torch Variable
    inputs = Variable(torch.from_numpy(x_train))
    targets = Variable(torch.from_numpy(y_train))

    # Forward + Backward + Optimize
    optimizer.zero_grad()  
    outputs = model(inputs)
    loss = criterion(outputs, targets)
    loss.backward()
    optimizer.step()
    
    if (epoch+1) % 5 == 0:#每5次epoch打印一次结果
        print ('Epoch [%d/%d], Loss: %.4f' 
               %(epoch+1, num_epochs, loss.item()))
        
# Plot the graph
model.eval()
predicted = model(Variable(torch.from_numpy(x_train))).data.numpy()
plt.plot(x_train, y_train, 'ro')
plt.plot(x_train, predicted, label='predict')
plt.legend()
plt.show()
plt.savefig("/home/ubuntu/gzht/test.jpg")

(5)Numpy array类型和Torch tensor类型的转换

使用torch.from_numpy(x_train)，将Numpy array类型的变量x_train转换Torch tensor类型

(6)optimizer.zero_grad()

optimizer.zero_grad() 表示把梯度置零，也就是将Loss关于weight的导数置为0，如果不进行这一步操作，那么每一次epoch都会使得梯度叠加，造成梯度爆炸。

(7)loss.backward()

backward()来源是torch.autograd.backward，使用backward()可以计算loss的梯度，代码loss.backward()执行后，loss中各个parameters的梯度得到更新，比如loss的parameter中有个变量是x，那么执行loss.backward之后，loss关于变量x的梯度就保存在x.grad中，可以通过x.grad来查看。
loss = criterion(outputs, targets)
targets = Variable(torch.from_numpy(y_train))
outputs = model(inputs)
inputs = Variable(torch.from_numpy(x_train))
所以loss的parameter归根到底应该是x_train和y_train

（7）optimizer.step()

本行代表只对loss的parameter做单步更新，所谓的更新，就是$$新parameter值=原parameter值-learnin{g}_{r}ate\ast parameter.grad(导数值)$$