练习2 用pytorch实现线性模型

1.准备数据集

2.准备模型LinearModel，其中要实现构造函数和forward函数

3.准备MSE损失函数，和优化器

4.准备训练，先用model(x)，调用forward计算y_hat,然后用损失函数计算loss，对loss进行backward得到梯度，用优化器optimizer.step()进行更新。最后进行一个预测，记得预测的x得是一个Tensor。

import torch

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): #用nn.Module构造一个类,即继承Module,需要实现__init__函数和forward函数
    def __init__(self): #构造函数
        super(LinearModel,self).__init__()
        self.linear=torch.nn.Linear(1,1) #（Linear是继承自Module）构造Linear对象linear，输入样本和输出样本的维度，即特征数

    def forward(self,x):
        y_pred=self.linear(x) #可调用对象
        return y_pred

model=LinearModel()

critertion=torch.nn.MSELoss(reduction = 'sum') #MSE也是Moudule的一个类,reduction='sum'返回的是损失总值，'mean'是均值
optimizer=torch.optim.SGD(model.parameters(),lr=0.01) #SGD是优化模块的一个类，parameters找到model中可训练的参数进行训练

for epoch in range(1000):
    y_pred=model(x_data) #调用model的forward计算y_hat
    #print(y_pred.data)
    loss=critertion(y_pred,y_data) #forward: loss,
    print(epoch,loss.item())

    optimizer.zero_grad() #清空梯度
    loss.backward() #backward自动计算梯度
    optimizer.step() #更新w和b的值

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)