问题与解答

1.已经手动实现了线性回归，为什么要用pytorch来实现线性回归？
pytorch提供许多方法，用起来比较方便。使用pytorch之后我们可以把重点放在神经网络的构建上，而不是python的基础语法上。

pytorch实现线性回归的步骤

1.准备数据集
2.设计模型
理解：究竟要采用什么样的模型来求解线性问题
3.构造loss损失函数和optimizer优化器
4.训练模型
前馈计算loss损失，反馈计算梯度gradient，最后更新权重w
5.预测
最初的目的就是为了预测，希望输入一个x后可以预测输出y的值是多少。所以我们将已知的数据作为训练集、自己设计模型、训练数据，得到一个y和x的关系。最终输入一个x，输出y完成预测。

1.准备数据集

import torch

# 自定义数据集
x_data = torch.tensor([[1.0], [2.0], [3.0]])
y_data = torch.tensor([[2.0], [4.0], [6.0]])

2.设计模型

设计模型的含义：就是要建立哪种模型来实现问题的求解。
一般从最简单的线性模型入手，y=wx或者y=wx+b。

class LinearModel(torch.nn.Module):
    def __init__(self):
        # __init__是构造函数
        # super函数继承父类的__init__()方法
        super(LinearModel, self).__init__()
        # torch.nn.Linear(m, n)表示输入的x是m维的，输出的y是n维的
        self.linear = torch.nn.Linear(1, 1)

    def forward(self, x):
        # forward定义前馈需要进行哪些计算
        y_pred = self.linear(x)  # liear()是对y_pred做计算 y_pred=wx+b
        return y_pred


model = LinearModel()  # 实例化类，创建一个线性模型。

【注】torch.nn.Linear(in_features, out_features, bias=True)
文档中标注：Applies a linear transformation to the incoming data：y=Ax+b 。
传参in_features表示输入x的维度，传参out_features表示输出y的维度。

3.定义损失函数和优化器

criterion = torch.nn.MSELoss(size_average=False)  # 定义损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # 定义优化器,lr指的学习率=0.01

4.训练

for epoch in range(10):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())

    optimizer.zero_grad()  # 梯度清零
    loss.backward()  # 自动反向传播
    optimizer.step()  # 更新权重

# 最后打印经过训练之后得到的w和b的值
print("w=", model.linear.weight.item())
print("b=", model.linear.bias.item())

5.预测

我们之所以要构建模型，进行训练，最终的目的是为了预测。所以输入任意x的值，调用model类，预测y的值并输出。

x_test = torch.tensor([[4.0]])
y_test = model(x_test)
print('y_pred=', y_test.data.item())

【pytorch深度学习实践】笔记—05.pytorch实现线性回归

目录