PyTorch深度学习实践05——用PyTorch实现线性回归

整体流程：

1. 准备数据集
2. 使用Class构造模型（目的是计算y_hat）
3. 构造loss和优化器
4. 设置训练周期（一个训练周期=forward+backward+update）；forward目的是计算loss，backward目的是计算梯度grad，update的目的是更新权重w 

概念：PyTorch的Affine Model（仿射模型）在PyTorch中也叫linear unit（线性单元）

使用PyTorch构造模型的步骤 ：

1. 把模型定义成一个类，且继承自父类nn.Module（因为Module中有很多有用的方法）
2. 定义的类中最少需要实现两个函数：__init__()和forward()：__init__()中的super必须要有；在nn.Module中已经定义了__call__()，因此实例可以直接被调用。
3. 构造损失函数和优化器：
4. 训练周期：forward（截至到求loss）+backward（loss.backward）+update(step函数)

总结：实现线性回归的四步：

 课上代码实现：

import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt

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

class LinearModel(nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__()
        self.linear = nn.Linear(1, 1)

    def forward(self, x):
        y_pred = self.linear(x)
        return y_pred

model = LinearModel()

criterion = nn.MSELoss(size_average=False)
optimizer = optim.SGD(model.parameters(), lr= 0.01)

epoch_list = []
loss_list = []

for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss)
    epoch_list.append(epoch)
    loss_list.append(loss.item())

    optimizer.zero_grad()
    loss.backward()
    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.item()) # 如果是y_pred.data又会是什么样呢？

# 绘制loss曲线
plt.plot(epoch_list, loss_list)
plt.xlabel("Epoch")
plt.ylabel("Loss")
plt.show()