pytorch的模块使用：线性模型（未完成）

首先上代码，注意代码里的注释，一般的在注释里说明：

import torch

# 注意这里必须写成两维的矩阵
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):
    def __init__(self):
        super(LinearModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)  # 输入特征和输出维度 都是一维的

    # __call__() 中会调用这个函数！
    def forward(self, x):
        y_pred = self.linear(x)
        return y_pred


# model为可调用的！ 实现了 __call__()
model = LinearModel()

# 指定损失函数
# criterion = torch.nn.MSELoss(size_average=Flase)  # True
criterion = torch.nn.MSELoss(reduction='sum')  # sum：求和 mean：求平均

# -- 指定优化器（其实就是有关梯度下降的算法，负责），这里将优化器和model进行了关联
# optimizer = torch.optim.SGD(model.parameters(), lr=0.02)
# optimizer = torch.optim.Adam(model.parameters(), lr=0.02)
optimizer = torch.optim.Rprop(model.parameters(), lr=0.01)  # 为啥这个这么快

for epoch in range(100):
    y_pred = model(x_data)  # 直接把整个测试数据都放入了
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())
    optimizer.zero_grad()  # 会自动找到所有的w和b进行清零！优化器的作用 （为啥这个放到loss.backward()后面清零就不行了呢？）
    loss.backward()
    optimizer.step()  # 会自动找到所有的w和b进行更新，优化器的作用！

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)

这里有几个步骤：

1 准备数据集

2 构造模型

3 指定损失函数

4 指定优化器

5 训练模型

6 用模型进行预测

---

这里我提几个问题，在后续的过程中，如果懂了再一一作答，懂得小伙伴有时间的评论区指点一二感谢。

问题1：loss.backward() 之后，求得了梯度，为啥优化器就可以直接更新权重了（optimizer.step() ）？loss和optimizer什么时候关联在一起的？

答：再构建优化器的时候：

optimizer = torch.optim.Rprop(model.parameters(), lr=0.01)

optimizer拿到了模型的所有w和b

y_pred = model(x_data)  # 直接把整个测试数据都放入了
loss = criterion(y_pred, y_data)

在训练的时候，loss和model建立的关系，这样应该是构建了loss和model的计算图。

这样的话loss和optimizer应该就都能访问到w和b以及他们的梯度。

问题2：optimizer.zero_grad() 为啥放到loss.backward()之后，整个结果就不对了？

问题3：训练好的model怎么保存下来？不可能每次预测之前都要训练一次吧？