pytorch线性回归代码实现 测试，保存，加载模型 有详细注释

"""----------------------线性回归-----------------------------"""

import torch
from torch import nn, optim
from torch.autograd import Variable
import numpy as np
import matplotlib.pyplot as plt

#1.-----首先我们需要给出一系列的点作为线性回归的数据，使用numpy来存储这些点。----
x_train = np.array([[3.3], [4.4], [5.5], [6.71], [6.93], [4.168],
                    [9.779], [6.182], [7.59], [2.167], [7.042],
                    [10.791], [5.313], [7.997], [3.1]], dtype=np.float32)

y_train = np.array([[1.7], [2.76], [2.09], [3.19], [1.694], [1.573],
                    [3.366], [2.596], [2.53], [1.221], [2.827],
                    [3.465], [1.65], [2.904], [1.3]], dtype=np.float32)
#--------------------------------------------------------------------

#2.np数据转换为torch数据
x_train = torch.from_numpy(x_train)
y_train = torch.from_numpy(y_train)

#3.基本的网络构建类模板
class LinearRegression(nn.Module):
    def __init__(self):
        super(LinearRegression, self).__init__()
        # 可以添加各种网络层 这里是建立线性回归模型
        """这里的nn.Linear表示的是:y = w * x + b，因为输入x_train是[batch_size=15,input_size=1]的张量，
        输出y_train是[batch_size=15,output_size=1],参数in_features=input_size为1， out_features=output_size为1"""
        self.linear = nn.Linear(in_features=1, out_features=1)

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

model = LinearRegression()
#4.定义loss(误差)和优化函数
criterion = nn.MSELoss() #均方损失函数 计算公式：loss(xi,yi)=(∑(xi−yi)^2)/i 输出向量
optimizer = optim.SGD(model.parameters(), lr=1e-4) #随机梯度下降函数 Q := Q - ρ∑((Yi - H(x^i))x^i) Q从0到j每一个Q这么算

#5.开始训练
"""第一个循环表示每个epoch，接着开始前向传播，然后计算loss，然后反向传播，
接着优化参数，特别注意的是在每次反向传播的时候需要将参数的梯度归零，即zero_grad()"""
num_epochs = 10000
for epoch in range(num_epochs):
    inputs = Variable(x_train)    #------------创建 variable（变量）inputs
    target = Variable(y_train)    #------------创建 variable（变量）target(类别)
    # forward 向前传播
    out = model(inputs)        #---------inputs变量的操作,所以out有 grad_fn 属性
    loss = criterion(out, target)  #-----------target变量的操作,所以loss有 grad_fn 属性

    # backward 反向传播
    optimizer.zero_grad()#梯度归0
    loss.backward()#反向传播，自动求导，得到每个参数的梯度：
    optimizer.step()#更新参数

    if (epoch + 1) % 20 == 0:
        print('Epoch[{}/{}], loss: {:.6f}'.format(epoch+1, num_epochs, loss.item()))

#6.开始测试模型
model.eval()#让model变成测试模式
predict = model(Variable(x_train))
predict = predict.data.numpy() #torch数据转换为np数据
plt.plot(x_train.numpy(), y_train.numpy(), 'ro', label='Original data') #画点，坐标为x_train.numpy()和y_train.numpy() ro:红色的圆圈
plt.plot(x_train.numpy(), predict, label='Fitting Line')#画线
# 显示图例
plt.legend()#设置图例位置
plt.show()

#7.保存模型
# 只保存模型参数
torch.save(model.state_dict(), 'F:/PycharmProjects/pytorch-beginner-master/01-Linear Regression/linear.pth')

#保存整个神经网络的模型结构以及参数
torch.save(model,'F:/PycharmProjects/pytorch-beginner-master/01-Linear Regression/linear1.pth')

#8.加载模型
#加载只保存模型参数的模型
model = LinearRegression()
mm = torch.load('F:/PycharmProjects/pytorch-beginner-master/01-Linear Regression/linear.pth')
model.load_state_dict(mm)
model.eval()

for key,v in mm.items():
    print('key: ', key)
    print('v: ', v)

predict = model(Variable(x_train))
predict = predict.data.numpy()
plt.plot(x_train.numpy(), y_train.numpy(), 'ro', label='Original data')
plt.plot(x_train.numpy(), predict, label='Fitting Line')
plt.legend()
plt.show()


#加载保存整个参数的模型
model1 = torch.load('F:/PycharmProjects/pytorch-beginner-master/01-Linear Regression/linear1.pth')
model1.eval()

predict = model1(Variable(x_train))
predict = predict.data.numpy()
plt.plot(x_train.numpy(), y_train.numpy(), 'ro', label='Original data1')
plt.plot(x_train.numpy(), predict, label='Fitting Line1')
plt.legend()
plt.show()