【PyTorch深度学习实践】第5讲 用Pytorch实现线性回归

视频地址：[https://www.bilibili.com/video/BV1Y7411d7Ys?p=5]
实现步骤：
1.准备数据集
2.设计数据模型，前向传播计算预测值
3.构造损失函数（目的为反向传播）和优化器（更新梯度）
4.训练周期（前馈、反馈、更新）

import torch

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):
    # 初始化
    def __init__(self):
        super(LinearModel, self).__init__()
        # 第一个参数输入维度 第二个参数输出维度
        self.linear = torch.nn.Linear(1, 1)
    # 前馈
    def forward(self, x):
        # 继承 _call_(),实际上调用
        y_pred = self.linear(x)
        return y_pred

model = LinearModel()

criterion = torch.nn.MSELoss(reduction='sum')
# 优化器 model.parameters()获取模型中需要优化的参数
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 训练
for epoch in range(100):
    # 前馈
    y_pred = model(x_data)
    # 损失
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())

    # 梯度清零
    optimizer.zero_grad()
    # 反向传播
    loss.backward()
    # 更新优化参数
    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.data)