一、PyTorch四部曲
之前在【Pytorch基础教程1】也跑过线性模型的代码（没用框架），这次让我们以该模型为基础用pytorch走一遍一个完整流程。
二、细节
（1）loss算出来要是一个标量，否则用不了backward。
（2）一般model是继承nn.Module，也可以通过继承Functions构建自己的Module（但是要自己设计反向传播函数）。
（3）self.linear()是一个可调用对象（callable），类似下图有__call__成员函数。
（4）只要是要调用计算图，都需要继承module类。
（5）过程：求y；求loss；求backward；更新。
三、线性模型
上次我们手工进行梯度下降，这次用pytorch实现，详看注释。
# -*- coding: utf-8 -*- """ Created on Sun Oct 17 21:51:40 2021 @author: 86493 """ import torch import torch.nn as nn import matplotlib.pyplot as plt # x和y数据必须是矩阵，所以如[1.0] x_data = torch.Tensor([[1.0], [2.0], [3.0]]) y_data = torch.Tensor([[2.0], [4.0], [6.0]]) losslst = [] class LinearModel(nn.Module): def __init__(self): super(LinearModel, self).__init__() # 实例化一个linear对象 self.linear = nn.Linear(1, 1) def forward(self, x): # 可调用的对象，pythonic y_pred = self.linear(x) return y_pred model = LinearModel() # 这里的MSE不除以N # criterion = torch.nn.MSELoss(size_average=False) criterion = torch.nn.MSELoss(reduction = 'sum') optimizer = torch.optim.SGD(model.parameters(), lr = 0.01) # 训练 for epoch in range(100): y_pred = model(x_data) loss = criterion(y_pred, y_data) # 打印loss对象会自动调用__str__(),不会产生计算图 print(epoch, loss.item()) losslst.append(loss.item()) optimizer.zero_grad() # 梯度归零后反向传播 loss.backward() optimizer.step() # 画图 plt.plot(range(100), losslst) plt.ylabel('Loss') plt.xlabel('epoch') plt.show() # 输出weight和bias # 不用item也行，但就是矩阵[[]] print('w = ', model.linear.weight.item()) print('b = ', model.linear.bias.item()) print('-' *60) # Test model # 输入是1×1矩阵，输出也是1×1矩阵 x_test = torch.Tensor([[4.0]]) y_test = model(x_test) print('y_pred = ', y_test.data)
关于nn.Linear的更多介绍可以查看官方文档，这里贴一个官方文档的栗子：
>>> m = nn.Linear(20, 30) >>> input = torch.randn(128, 20) >>> output = m(input) >>> print(output.size()) torch.Size([128, 30])
