pytorch基本流程

torch.Tensor() =torchFloatTensor()
生成单精度浮点类型张量

torch.tensor() 普通函数

PyTorch Fashion

1、prepare dataset

2、design model using Class # 目的是为了前向传播forward，即计算y hat(预测值)

3、Construct loss and optimizer (using PyTorch API)
其中，计算loss是为了进行反向传播，optimizer是为了更新梯度。

4、Training cycle (forward,backward,update)

numpy中的广播

广播(broadcast)是numpy中经常使用的一个技能点，他能够对不同形状的数组进行各种方式的计算。

模型：线性单元
模型内必须实现以下两个函数

class LinearModel(torch.nn.Module):#继承moudle
    def __init__(self):#构造函数
        super(LinearModel,self).__init__()
        self.linear = torch.nn.Linear(1, 1)
        #构造对象，并说明输入输出的维数，第三个参数默认为true，表示用到b
        #torch.nn.Linear是pytorch中的一个类，（1，1）构造对象，包含权重和偏置
 
    def forward(self, x):
        y_pred = self.linear(x))#callable可调用对象，计算y=wx+b
        return y_pred
 
model = LinearModel()#实例化模型

如果要使用一个可调用对象，那么在类的声明的时候要定义一个 call()函数就OK了，就像这样

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

其中参数*args代表把前面n个参数变成n元组，**kwargsd会把参数变成一个词典，举个例子：

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

#调用一下
func(1,2,3,4,x=3,y=5)

结果：
(1，2，3，4）
{‘x’:3,‘y’:5}

损失函数

criterion = torch.nn.MSELoss(reduction = 'sum')

优化器
优化器通过参数知道要对那些权重做优化，也知道学习了lr

optimizer = torch.optim.SGD(model.parameters(), lr = 0.01) 
# model.parameters()自动完成参数的初始化操作，这个地方我可能理解错了

import torch
import matplotlib.pyplot as plt
 
x_data = torch.tensor([[1.0], [2.0], [3.0]])
y_data = torch.tensor([[2.0], [4.0], [6.0]])
 
class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)
    def forward(self, x):
        y_pred = self.linear(x)
        return y_pred
model = LinearModel()
 
criterion = torch.nn.MSELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
 
epoch_list = []
loss_list = []
 
for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())
 
    epoch_list.append(epoch)
    loss_list.append(loss.item())
 
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()#更新
 
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)
 
plt.plot(epoch_list, loss_list)
plt.show()