pytorch进行线性回归

问题描述：首先已知两个数据集，x_data和y_data需要求得两个数据集之间的线性关系。（目的是得到w和b）

搞清楚整个思路，代码编写就很轻松。

1.数据集已知。
2.建立线性关系，首先建立线性模型。（class LinearModel中必须包括init和forward，init是对模型的建立包括w和b的参数，forward就是前馈函数返回y_hat）
3.construct和optimizer(构建损失函数和优化器)
4.多个epoch循环，每次求得通过模型得到y_hat,然后和y_data一减得到loss，求导之前记得把梯度置零不然梯度会累加，然后反向传播计算得到梯度d(loss)/d(w),最后用optimizer进行更新参数即可。

---

以上就是整个思路流程，下面是详细代码和注释：

import torch
#part one 导入数据集
x_data=torch.Tensor([[1.0],[2.0],[3.0]])
y_data=torch.Tensor([[2.0],[4.0],[6.0]])
print(x_data)

#part two 建立模型
#所有的模型都要继承torch.nn.module
class LinearModel(torch.nn.Module):
#里面必须包含init，forward。
#backward它会自动帮我们算

    def __init__(self):
        super(LinearModel, self).__init__()
        self.linear=torch.nn.Linear(1,1)#这里是在构造对象，参数是权重和偏置

    def forward(self,x):
        y_pred=self.linear(x)#这里是因为python中的call函数，使得对象可以实例化
        #称之为callable
        #linear是一个激活函数，激活函数就是在神经网络每层将输入映射到输出的函数，
        #除了linear这个激活函数，还有sigmoid等其他激活函数
        return y_pred

model=LinearModel()

#part 3 construct and optimizer
criterion=torch.nn.MSELoss(size_average=False)
optimizer=torch.optim.SGD(model.parameters(),lr=0.01)

#part four
for epoch in range(1000):
    y_pred=model(x_daa)
    loss=criterion(y_pred,y_data)
    print(epoch,loss)

    optimizer.zero_grad()#梯度置零，把loss关于weight的导数置零,（好像还减少内存消耗，搜一下？）
    loss.backward()#反向传播即计算梯度，求得x.grad=d(loss)/d(x)
    optimizer.step()#进行更新，x=x-lr*x.grad

print('w=',model.linear.weight.item())
print('b=',model.linear.bias.item())

#test model
x_test=torch.Tensor([4.0])
y_test=model(x_test)
print("y_pred=",y_test.data)