《Pytorch - 线性回归模型》

2020年10月4号，依然在家学习。
今天是我写的第一个 Pytorch程序，从今天起也算是入门了。
就从简单的线性回归开始吧。

话不多说，我就直接上代码实例，代码的注释我都是用中文直接写的。

import torch


# Step 1: ========创建模型========
# 定义一个类，继承自 torch.nn.Module，torch.nn.Module是callable的类
# 在整个类里面重新定义一个线性回归模型 y = wx+b
# 整个子类需要重写forward函数，
class LinearRegressionModel(torch.nn.Module):
    def __init__(self):
        # 调用父类的初始化函数，必须要的
        super(LinearRegressionModel, self).__init__()

        # 创建一个线性层，也是实例化一个torch.nn.Linear对象，输入数据是一维的，输出数据也是一维的，默认包含偏置参数
        # torch.nn.Linear也是callable的类
        self.linearLayer = torch.nn.Linear(1, 1)

    def forward(self, x):
        y_out = self.linearLayer(x)
        return y_out


# 创建和实例化一个整个模型类的对象
LR_Model = LinearRegressionModel()
# 打印出整个模型
print(LR_Model)

# Step 2: ========定义损失函数和优化器========
# 定义一个均方差误差损失函数 mean square error loss
LR_Criterion = torch.nn.MSELoss(size_average=True)
# 创建一个优化器，是用来做参数训练的，或者说是反向传播后更新参数，线性回归一般选择随机梯度下降，当然还有其他的梯度下降的方式。
# lr 就是learning rate，把模型的所有参数都交给优化器，反向传播中，优化器会递归地计算参数的偏导数以及做参数更新。
LR_Optimizer = torch.optim.SGD(LR_Model.parameters(), lr=0.1)


# Step 3: ========得到数据========
# 为了方便演示和学习，这里我随意构造几个数据
# 大致w=2, b=1
x_data = torch.Tensor([[1.0], [2.0], [3.0], [4.0], [5.0], [6.0], [7.0], [8.0]])
y_data = torch.Tensor([[3.1], [5.0], [6.9], [9.1], [11.01], [13.1], [15.1], [16.9]])

# Step 4: ========开始训练========
# 迭代进行训练
iteration = 30
for itr in range(iteration):

    # 计算前向传播，也就是计算输出
    y_output = LR_Model(x_data)
    # 得到损失值
    loss = LR_Criterion(y_output, y_data)
    print("in the ", itr, "th iteration, loss is", loss.item())

    # 反向传播，也就是对参数进行训练，需要注意的是，需要把优化其中上一次计算的梯度值清0
    LR_Optimizer.zero_grad()
    # 计算反向的各个参数的偏导数
    loss.backward()
    # 更新参数
    LR_Optimizer.step()

# 打印出参数
print("w is: ", LR_Model.linearLayer.weight.item())
print("b is: ", LR_Model.linearLayer.bias.item())

测试结果如下：
跟预期的值一样。

之前我都是用matlab直接实现手写算法的，感觉用pytorch后，生了好多事儿。哈哈，今儿入门了。