用pytorch实现线性回归（代码详细解释）

用pytorch实现线性回归步骤:
 1、准备数据集
 2、设计模型
 3、构造损失函数和优化器
 4、写训练周期

import torch

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


# LinearModel继承Module
class LinearModel(torch.nn.Module):
    def __init__(self):
        # LinearModel,self这两个参数可以省略
        super(LinearModel, self).__init__()
        # Linear是一个类，类后面加括号表示创建一个对象，由Linear创建的对象，包括了权重和偏置这两个Tensor
        # 表示输入特征维度为 1，输出特征维度也为 1,bias=True也可以不加，默认值就是true
        self.linear = torch.nn.Linear(1, 1, bias=True)

    # 函数名必须是forward，因为要重写父类Module里面的forward方法
    def forward(self, x):
        # 对象后面加括号是为了实现一个可调用的对象，当然必须在这个类里面加一个__call__方法，对于Linear类来说，他继承了Module这个类，Module这个类实现了__call__方法
        # 这一步会执行线性变换操作，即将输入x乘以权重矩阵，并加上偏置向量。具体计算如下：output=input×weight+bias
        y_pred = self.linear(x)
        return y_pred


model = LinearModel()
# torch.nn.MSELoss: 是 PyTorch 提供的均方误差损失函数类。均方误差损失函数通常用于回归问题，计算预测值与真实值之间的差异。
criterion = torch.nn.MSELoss(size_average=False)
# torch.optim.SGD: 是 PyTorch 提供的随机梯度下降优化器类。SGD 是一种常用的优化算法，用于更新模型权重
# model.parameters()会把模型里面涉及到的要进行训练的权重全部找出来
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
for epoch in range(100):
    # PyTorch内部会自动调用model对象的__call__方法。
    # __call__方法会在内部调用model对象所属类（即 LinearModel）中的forward方法
    # 将输入数据x_data作为参数传递给forward方法
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss)
    # 将权重里梯度的数据全部清零
    optimizer.zero_grad()
    # 自动计算损失函数关于权重w的梯度
    loss.backward()
    # 更新模型权重
    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)