pytorch线性回归模型的创建、调用方法实例

写代码的思路为：

首先导入torch.nn库，然后基于继承nn.Module的方法构建深度学习模块。整个模块的函数主要由两部分组成：

通过__init__方法初始化整个模型，forward方法对该模型进行前向计算。其中，在使用__init__方法的时候，可以在类内部初始化子模块，然后在forward方法中调用这些初始化的子模块，最后输出结果张量。

具体例子如下：

import torch
import torch.nn as nn

class LinearModel(nn.Module):
    def __init__(self, ndim):
        super(LinearModel, self).__init__() # 这里使用super函数来获取当前类的父类
        self.ndim = ndim # 定义权重的个数，即特征的个数

        self.weight = nn.Parameter(torch.randn(ndim,1)) # 定义权重
        self.bias = nn.Parameter(torch.randn(1)) # 定义偏置
    
    def forward(self,x):
        return x.mm(self.weight) + self.bias

if __name__=="__main__":
    lm = LinearModel(5) # 定义线性回归模型，特征数为5
    x = torch.randn(4,5) # 定义随机输入，迷你批次大小为4
    print(lm(x)) # 输出为4*1的矩阵，相当于输出了4个批次的每个批次的结果
    print((lm.named_parameters())) # 获取模型参数的生成器(带名字)
    print(list(lm.named_parameters())) # 转换生成器为列表
    print(lm.parameters()) # 获取模型参数的生成器(不带名字)
    print(list(lm.parameters()))
    print(lm.cuda()) # 将模型参数转移到GPU上
    print(list(lm.parameters()))
    print(lm.half()) # 转换模型参数为半精度浮点数
    print(list(lm.parameters()))

Done！！！