【Pytorch神经网络实战案例】04 使用Pytorch实现线性回归

import torch
x_data =torch.tensor([[1.0],[2.0],[3.0]])
y_data=torch.tensor([[2.0],[4.0],[6.0]])
#重点在于构造计算图 pytorch会自动计算梯度
#Z=wx+b 就是一个线性单元
class LinearModel(torch.nn.Module):
    #Module的对象会自动实现backword()的过程
    #构造函数
    def __init__(self) :
        super(LinearModel, self).__init__()
        #Linear()构建y=wx+b，且继承于Module自动完成backword()的过程
        self.linear=torch.nn.Linear(1,1)
    #前馈计算的函数 必须有
    def forward(self,x):
        #调用linear的__call__()，在此函数中会调用forward()
        y_pred=self.linear(x)
        return y_pred
#CallModel 可以直接调用
model=LinearModel()
#调用损失函数
criterion=torch.nn.MSELoss(size_average=False)
#优化器，lr学习率
optimizer=torch.optim.SGD(model.parameters(),lr=0.01)
for epoch in range(1000):
    y_pred=model(x_data)
    loss=criterion(y_pred,y_data)
    print(epoch,loss.item())
    #所有权重的梯度归0
    optimizer.zero_grad()
    #进行反向传播
    loss.backward()
    #根据梯度、学习率进行自动更新
    optimizer.step()
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)