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)
09-18
191
08-21
3144
03-23
06-07
944