线性回归（pytorch）

import torch
#准备训练集
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):#nn.Module以下大部分继承于这个
    def __init__(self):
        super(LinearModel,self).__init__()#guding
        self.linear=torch.nn.Linear(1,1)#，Linear可以自动反向传播，结构就像wx+b输入输出维度，还有一个bias
    def forward(self,x):
        y_pred=self.linear(x)#实现了可调用对象
        return y_pred
model=LinearModel()

#准备损失函数和优化器
criterion =torch.nn.MSELoss(size_average=False)
optimizer=torch.optim.SGD(model.parameters(),lr=0.01)#model.parameters()可以找到所有参数，优化器不唯一，Rprop，Adagrad，Adam，Adamax，ASGD，LBFGS，RMSprop，

#循环训练
#1，forward，backward，更新
for epoch in range(1000):
    y_pred=model(x_data)
    loss=criterion(y_pred,y_data)
    print(epoch,loss)
    
    optimizer.zero_grad()#优化，所有权重清零
    loss.backward()
    optimizer.step()#更新
    
#Output weight and bias
print("w=",model.linear.weight.item())#类后item()
print("b=",model.linear.bias.item())

#Test Model
x_test=torch.Tensor([4.0])
y_test=model(x_test)
print("y_print=",y_test.data)#数据后data

不同优化器