PyTorch深度学习实践——用PyTorch实现线性回归

总体分为四个步骤：准备数据集、设计模型（通过前馈和反馈函数计算y^，直接从nn.module中继承）、构造损失函数和优化器（使用PyTorch应用接口）、训练周期（一个周期包含前馈、反馈、更新）

执行代码如下：

import torch

x_data = torch.Tensor([[1.0], [2.0], [3.0]])  # x_data为3*1的矩阵
y_data = torch.Tensor([[2.0], [4.0], [6.0]])


# 使用mini-batch封装数据，x和y的值必须是矩阵

class LinearModel(torch.nn.Module):  # 把模型定义为一个类，继承自module
    def __init__(self):  # 构造函数：初始化对象时默认调用的函数
        super(LinearModel, self).__init__()  # 必须要有的第一步
        self.linear = torch.nn.Linear(1, 1)  # 构造对象，包含权重w和偏置b，linear继承自module，故也能自动进行反向传播

    def forward(self, x):  # 前馈过程中执行的计算，不需要backward，会自动实现
        y_pred = self.linear(x)
        return y_pred


model = LinearModel()  # 实例化类LinearModel

criterion = torch.nn.MSELoss(reduction='sum')  # 损失函数，MSELoss继承自nn.Module，此处不求均值，需要的参数是y^和y
# 原处使用的是size_average='False'，然后运行有警告，故修改为reduction='sum'
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # 优化器，来自优化模块中的SGD类，参数包括权重和偏置，lr是学习率

# 训练过程
for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())  # loss不是一个值，是一个对象

    optimizer.zero_grad()  # 所有权重的梯度归零
    loss.backward()  # 反向传播
    optimizer.step()  # 进行一次更新

# 打印权重和偏置的值
print('w =', model.linear.weight.item())
print('b =', model.linear.bias.item())

# 使用训练好的模型预测
x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print('y_pred =', y_test.item())