PyTorch深度学习：PytTorch实现线性回归

import torch

# 简单 数据集
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[2.0], [4.0], [6.0]])

# 设计模型
class LinearModel(torch.nn.Module):  # 定义类LinearModel，继承torch.nn.Module
    def __init__(self):     # 构造函数（初始化时候默认调用的函数）
        super(LinearModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)  # 构造函数，（1，1）表示输入输出的维数。线性模型已包含权重w、偏置b，及对输入自动乘以权重w、加上偏置b，即y=wx+b

    def forward(self, x):   # 调用前馈时所要执行计算
        y_pred = self.linear(x)
        return y_pred

# 想使用模型，就实例化即可，可以直接调用
model = LinearModel()

# MSE损失、SGD优化器
criterion = torch.nn.MSELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)   # model.parameters()，检查model所有的权重;lr：学习率

# 循环训练
for epoch in range(1000):
    y_pred = model(x_data)       # x数据经过线性模型（自动乘以权重w和加上偏置b）得到的预测值y_pred
    loss = criterion(y_pred, y_data)  # 算损失值
    print(epoch, loss.item())

    optimizer.zero_grad()    # 梯度归零
    loss.backward()          # 反向传播
    optimizer.step()         # 参数（权重w）优化更新（根据学习率lv：0.01更新）

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)

线性模型可以直接通过 torch 中的模块 torch.nn.Module 来继承获得，线性模型是所有神经网络模块最基本的类。
把线性模型构造一个类（常见的方法），构造的LinearModel模型类继承自torch.nn.Module（因为 Module 里面有很多方法，在模型训练中用到）。
这个类至少有下面两个def定义的函数 。第1个函数（构造函数）的作用：初始化对象，默认调用的函数；第2个函数的作用：进行前馈的过程中所要进行的计算。
没有写 backward函数，是因为使用了 torch.nn.Module 构造出来的对象会自动的根据
计算模型（函数模型）自动完成了backward操作了。
但是如果我们想要模型由基本的PyTorch支持的运算，可以封装成Module，然后实例化调用，自动反向传播。但有时候PyTorch计算图效率不高，如果你有更加快的方法求导，可以从 function 来继承（也是PyTorch里面的一个类）。