继承Module类实现线性回归

代码实现：

import torch.nn
#3*1的矩阵
x_data=torch.Tensor([[1.0],
                     [2.0],
                     [3.0]])
#3*1的矩阵
y_data=torch.Tensor([[2.0],[4.0],[6.0]])

#继承类Module,自动会实现反向计算图
class LinearModel(torch.nn.Module):
    #构造方法
    def __init__(self):
        super(LinearModel, self).__init__()
        self.linear=torch.nn.Linear(1,1) #类（），构造了一个对象。

    def forward(self, x):
        y_pred=self.linear(x) #对象(),实现了一个可调用的对象
        return y_pred

model=LinearModel()
criterion=torch.nn.MSELoss(size_average=False)
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())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

print('w=',model.linear.weight.item())
print('b=',model.linear.bias.item())

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

输出：

说明

1. 类Linear

• 2.可调用对象

class  Footbar:
    def __init__(self):
        pass
    def __call__(self,*args,**kwargs):

        print("hello"+str(args[0]))


def func(*args,**kwargs):
    print(args)
    print(kwargs)

func(1,2,4,3,x=3,y=5)

footbar=Footbar()
footbar(1,2,3)

输出：
(1, 2, 4, 3)
{'x': 3, 'y': 5}
hello1

3.MSELoss和优化器