4、Pytorch实现线性回归

（1）线性回归是根据输入x的值，去预测输出y的值

（2）用Pytorch实现线性回归的步骤

   1> Prepare dataset 准备数据集

   2> Design model using Class (inherit from nn.Module) 设计模型

   3> Construct loss and optimizer 构建损失函数和优化器

   4> Training cycle(forward, backward, update) 训练

（3）准备数据集：假设输入x和输出y都是3x1的张量(Tensor)，维度关系如下：

 （4）模型设计：继承nn.Module，用线性模型实现

（5） loss损失函数使用MSELoss，使用SGD随机梯度下降更新权重

（6）代码实现

import torch

#1、用mini_batch构造数据集，x,y的值必须是矩阵
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[2.0], [4.0], [6.0]])

#2、模型设计
#构造计算图：从x输入，经过权重计算，最终经过损失函数，计算loss,计算出loss后调用反向传播，loss是个标量
#线性单元：需知道x的维度和y^的维度
#Module会自动实现backward
class LinearModel(torch.nn.Module):
    #构造函数，初始化的时候需要调用
    def __init__(self):
        super(LinearModel, self).__init__()
        #Linear包含权重和偏置，利用Linear构造对象
        self.linear = torch.nn.Linear(1, 1)
        

    def forward(self, x):
        y_pred = self.linear(x)
        return  y_pred

model = LinearModel()

#构造损失函数和随机梯度下降优化器
#size_average是否求均值，reduce是否用求和降维
criterion = torch.nn.MSELoss(size_average=False)
#parameters()会检查model中的所有成员
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)
    print(epoch, loss)

    optimizer.zero_grad()#梯度清零
    loss.backward()
    optimizer.step()#权重更新

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)

最终的输出结果和预测结果有偏差：

 （7）构造模型时需用到nn.Linear，这个类包含weight和bias两个Tensor

 参数解析如下：

 （8）在线性回归中可选用的优化器