Pytorch入门之线性回归
这里定义一个简单的神经网络来做一个线性回归问题
神经元之间的线就不连了，大家知道是个全连接层就好
1、网络类的编写及生成网络
搭建这样一个网络，首先就是需要定义一个class，class必须得继承nn.Module类，常用来被继承，然后用户去编写自己的网络/层。
类中的初始化部分需要去例化自己的层。这里需要定义2个全连接层，因此我们可以直接调用nn.Linear这个类，关于这个类不清楚的，可以看看我的另一篇文章：https://blog.csdn.net/MR_kdcon/article/details/108918272
self.hidden_layers = nn.Linear(feature_in, feature_hidden)
self.predict_layers = nn.Linear(feature_hidden, feature_out)类中的前向传播函数需要去模拟前向传播的过程，即输入经过全连接层然后通过激励函数输出，接着又通过输出端的全连接层继续输出成最终的预测值
out0 = self.hidden_layers(datain).relu()
out1 = self.predict_layers(out0)这样一来，我们的网络就编写好了。
接下来，就是去生成这个网络，就是例化这个类。接着定义一个有序容器Squential，将上面这个网络依次装进去
net = Net(1, 1, 10)
network = nn.Sequential()
network.add_module('full0', net.hidden_layers)
network.add_module('dull1', net.predict_layers)我们可以打印一下这个网络
很清晰的显示了这2个全连接层。
2、参数初始化
网络生成好了，接下来就是对网络参数进行初始化
我们导入torch.nn中的init模块
# 初始化参数w b
init.normal_(network[0].weight, 0, 0.01) # 服从均值0，方差0.01的正太分布
init.normal_(network[1].weight, 0, 0.02) # 服从均值0，方差0.01的正太分布
init.constant_(network[0].bias, 0) # 填充函数
init.constant_(network[1].bias, 0) # 填充函数我们可以打印一下这个参数看看，net.parameters()，用来查看网络net中的参数，全连接层中的参数就是(w, b)
for param in network.parameters():
print(param)
3、前向推理，反向传播，训练前的准备工作
1、定义损失函数，这里我们就选均方误差
loss = nn.MSELoss()2、生成优化器 ，这里我们选用SGD
optimizer = optim.SGD(network.parameters(), lr=0.2) #例化对象有关SGD的详细介绍在我的另一篇文章中，有兴趣的可以看看：https://blog.csdn.net/MR_kdcon/article/details/108922056
4、前向、后向、训练
在提前定义好的epochs下，进行前向传播，计算Loss，然后清空梯度，反向传播计算梯度，SGD优化损失函数。写成代码就是：
for epoch in range(epochs):
out_forward = network(y)
target_func = loss(out_forward, y)
optimizer.zero_grad() # 或者network.zero_grad()
target_func.backward()
optimizer.step()
这一样一来，整个网络就训练好了
这是最后在训练集上拟合的情况：
总结一下，整个学习任务的四步骤：
1、网络类的编写及生成网络
2、初始化模型参数
3、训练前的准备，即定义损失函数、生成优化器
4、前向推理、反向传播、训练