（二）PyTorch深度学习：梯度下降

PyTorch深度学习：梯度下降算法实现线性回归

1、损失函数：

2、梯度下降算法种类：

3、现在使用梯度下降算法：将模型表达式对权重（W）求偏导得到（dy/dW），然后用（dy/dW）乘一个我们设置的学习率（a=0.001），最后用原权重（W）减去学习率（a）与梯度（dy/dW）的乘积，得到的差即为第一次更新迭代的权重W。

*模型表达式：（y = Wx + b）

更新模型的权重（W）：用原权重（W）减去学习率（a）与梯度（dy/dW）的积式子：[ W = W - a（dy/dW) ]

4、示例代码

# 线性模型：y = wx
# 损失函数： loss = (y_pred-y)**2

x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

# 初设置权重w为1
w = 1.0

# 定义模型：y = x * w
def forward(x):
    return x * w

# 定义损失函数
def loss(xs, ys):
    loss = 0
    for x, y in zip(xs, ys):
        y_pred = forward(x)
        loss += (y_pred - y) ** 2
    return loss / len(xs)

# 定义梯度
def gradient(xs, ys):
    grad = 0
    for x, y in zip(xs, ys):
        grad += 2 * x * (x * w - y)
    return grad / len(xs)

print('Predict (before training)', 4, forward(4))

for epoch in range(100):
    loss_val = loss(x_data, y_data)
    grad_val = gradient(x_data, y_data)
    # 梯度下降（若loss<0，则预测值<实际值，，所对应的梯度<0，原权重值减去为负值的梯度与学习率的乘积，则权重增加，会使得预测值变大，缩小与预测值的差距，更接近实际值；梯度为>0,也同理）
    w -= 0.01 *grad_val
    print("Epoch: ", epoch, 'W = ', w, 'loss = ', loss_val)

print('Predict (after training)', 4, forward(4))