4.1 PyTorch纯手工构建模型并训练

欢迎订阅本专栏：《PyTorch深度学习实践》
订阅地址：https://blog.csdn.net/sinat_33761963/category_9720080.html

• 第二章：认识Tensor的类型、创建、存储、api等，打好Tensor的基础，是进行PyTorch深度学习实践的重中之重的基础。
• 第三章：学习PyTorch如何读入各种外部数据
• 第四章：利用PyTorch从头到尾创建、训练、评估一个模型，理解与熟悉PyTorch实现模型的每个步骤，用到的模块与方法。
• 第五章：学习如何利用PyTorch提供的3种方法去创建各种模型结构。
• 第六章：利用PyTorch实现简单与经典的模型全过程:简单二分类、手写字体识别、词向量的实现、自编码器实现。
• 第七章利用PyTorch实现复杂模型：翻译机（nlp领域）、生成对抗网络（GAN)、强化学习(RL)、风格迁移（cv领域）。
• 第八章：PyTorch的其他高级用法：模型在不同框架之间的迁移、可视化、多个GPU并行计算。

---

pytorch提供了很多高效的模块与函数能帮助我们迅速建模与训练，在介绍这些工具之前，有必要纯手工地来过一遍构建并训练模型的整个过程，从而清楚理解其内部逻辑和含义，绝不做一个单纯“调包侠”。

本节将构建一个一元线性回归模型，并利用梯度下降来估计参数。来看看具体怎么做吧~

4.1.1 前向计算

准备数据

一元线性回归模型是由自变量x，应变量y，参数w,b组成，因此我们先构造一组x,y的数据，假设它们是真实世界的数据，现在要通过这组数据去求得w,b参数的值，使得能通过x更贴切地预测y。

import torch

x = [0.5, 14.0, 15.0, 28.0, 11.0, 8.0, 3.0, -4.0, 6.0, 13.0, 21.0]
y = [35.7, 55.9, 58.2, 81.9, 56.3, 48.9, 33.9, 21.8, 48.4, 60.4, 68.4]

x = torch.tensor(x)
y = torch.tensor(y)

构建模型

一元线性模型方程为