pytorch 线性回归

import torch
x_data = torch.Tensor([[1.0],[2.0],[3.0]])
y_data = torch.Tensor([[2.0],[4.0],[6.0]])

#设计模型
class LinearModel(torch.nn.Module):#没用backward,因为用module构造出来的对象，会自动地根据构造出来的构造图自动实现backward的过程
    def __init__(self):#__init__就是构造函数，初始化对象默认调用的函数
        super(LinearModel,self).__init__()#调用父类的构造
        self.Linear = torch.nn.Linear(1,1)#torch.nn.Linear构造对象（in_features,out_features,bias=True），继承至module，可以进行反向传播，nn:neural network

    def forward(self,x):#前馈时，需要执行的计算
        y_pred = self.Linear(x)#把x传入
        return y_pred

model = LinearModel()

#构造损失函数和优化器
criterion = torch.nn.MSELoss(size_average=False)#MSE损失函数，MSELoss也是继承自nn.Module的
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)#SGD是一个类

#训练过程
for epoch in range(100):#前馈、反馈、更新
    y_pred = model(x_data)
    loss = criterion(y_pred,y_data)
    print(epoch,loss)

    optimizer.zero_grad()#梯度归零
    loss.backward()#反向传播
    optimizer.step()#更新，根据所有参数，所包含的梯度、学习率自动进行更新

# print('w=',model.linear.weight.item())#item()表示取出中间的内容
# print('b=',model.linear.bias.item())

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