用PyTorch构建一个简单线性回归模型

01 PyTorch模块类的构建方法

首先导入torch.nn库，然后基于继承nn.Module的方法构建深度学习模块。

整个模块的函数主要由两部分组成：

• 通过__init__ 方法初始化整个模型
• forward方法对该模型进行前向计算。
  其中，在使用__init__ 方法的时候，可以在类内部初始化子模块，然后在forward方法中调用这些初始化的子模块，最后输出结果张量。

可以给类取任意的名字。
因为需要调用父类nn.Module的初始化方法，这里需要使用super函数来获取当前类的父类(即nn.Module)，然后调用父类的构造函数，从而初始化一些必要的变量和参数。

02 基于模块类的简单线性回归类

• 模型的初始化部分，self.weight 和self.bias是模型的参数，并且一开始被初始化，使得每个分量为标准正态分布(torch.randn)。

• 线性回归的权重(self.weight)和偏置( self.bias)

• forward方法中，输入一个特征张量x (大小为迷你批次大小x特征维度大小)，做线性变换(使用mm方法做矩阵乘法进行线性变换)，加偏置的值，最后输出一个预测的值。

• 另外，需要使用nn.Parameter来包装这些参数，使之成为子模块(仅仅由参数构成的子模块)，这是因为在后续训练的时候需要对参数进行优化，只有将张量转换为参数才能在后续的优化过程中被优化器访问到。

• 在使用线性回归模型之前，首先要做的一件事是模型的初始化，初始化的任务由初始化模型的类实例开始。
  假如输入的特征大小为n，可以直接调用LinearModel(n)来构造线性回归模型的一个实例。
  如果需要预测$m\times n$大小的张量对应的输出值，可以直接将$m\times n$输入线性回归模型的实例中

---

• 下述代码前15行为线性回归模型示例；18~21行为模型的调用

import torch
import torch.nn as nn


class LinearModel(nn.Module):
    def __init__(self, ndim):
        super(LinearModel, self).__init__()
        self.ndim = ndim

        self.weight = nn.Parameter(torch.randn(ndim, 1)) #定义权重
        self.bias = nn.Parameter(torch.randn(1)) #定义偏置

    def forward(self, x):
        #y=Wx+b
        return x.mm(self.weight) + self.bias


lm = LinearModel(5)  # 定义线性回归模型，特征数为5
x = torch.randn(4, 5)  # 定义随机输入，迷你批次大小为4
y = lm(x)  # 得到每个迷你批次的输出
print(y)