前言
本文通过一个简单的神经网络的实现，来介绍相关的pytorch函数，以及相关流程。
前面首先介绍代码的实现，后面再针对问题进行相应的解释。
前期准备
2.神经网络基础
3.BP算法
4.文中代码来源
代码实现
import torch
import torch.nn.functional as F
from torch.autograd import Variable
import matplotlib.pyplot as plt
x = torch.unsqueeze(torch.linspace(-1,1,100),dim = 1)
#unsqueeze函数创建一个维度是1的向量
linspace函数生成在-1到1之间的100个数
y = x**2+0.2*torch.rand(x.size())
#得到x自乘的矩阵，然后加上同x矩阵相同的噪声
print(x,y,x.size())
#输出x，y矩阵，以及矩阵x的大小
#以上操作为初始化矩阵
x,y = Variable(x),Variable(y)
#将矩阵转化为 变量
class Net(torch.nn.Moudle):
#定义神经网络
def __init__(self,n_feature,n_hidden,n_output):
#初始化数组，参数分别是初始化信息，特征数，隐藏单元数，输出单元数
super(Net,self).__init__()
#此步骤是官方要求
self.hidden = torch.nn.Linear(n_feature,n_hidden)
#设置输入层到隐藏层的函数
self.predict = torch.nn.Linear(n_hidden,n_output)
#设置隐藏层到输出层的函数
def forward(self,x):
#定义向前传播函数
x = F.relu(self.hidden(x))
#给x加权成为a，用激励函数将a变成特征b
x = self.predict(x)
#给b加权，预测最终结果
return x
net = Net(1,10,1)
#定义一个神经网络
print(net)
#查看各层之间的参数输出
以上代码已经构建完成神经网络，下面开始训练部分。
opt = torch.optim.SGD(net.parameters(),lr=0.5)
#设置学习率为0.5，用随机梯度下降发优化神经网络的参数
lossfunc = torch.nn.MSELoss()
#设置损失函数为均方损失函数，用来计算每次的误差
for t in range(100):
#进行100次的优化
prediction = net(x)
#得到预测值
loss=lossfunc(prediction,y)
#得到预测值与真实值之间的误差
opt.zero_grad()
#梯度清零
loss.backward()
#反向传播
opt.step()
#梯度优化
plt.ioff()
plt.show()
知识整理
可以看到上述代码执行神经网络的流程：创建矩阵 -> 转换为变量 -> 设置神经网络 -> 进行训练
把矩阵转化为变量，方便后面进行梯度计算。
设置神经网络是关键部分，此神经网络包括两部分：__init()__函数跟forward()函数
__init()__函数包括四个参数，分别是：初始信息，特征数，隐藏单元数，输出单元数
该函数包含三部分：首先是继承模块，此步骤是官方步骤。然后是定义输入层到隐藏层的函数，然后定义隐藏层到输出层的函数。
关于后两个函数，可以自己定义，nn包中封装了Linear()函数，用来处理形如的层间关系，此函数有三个参数，分别是输入样本大小，输出样本大小，bias，当bias为false时，图层不会学习附加偏差。
此模型只有三层结构，所以只有输入层跟隐藏层，隐藏层跟输出层的关系，对应数量分别是1对10，10对1。此处参数的更改会在后面过程中的opt参数体现出来。
forward函数是神经网络的前向传播函数，此函数主要会利用到激励函数，通过前面定义的各层之间的关系，产生新的结果，即新的预测值，此值会拿来跟最终的结果做比较，通过反向传播更新参数值。此函数中的relu()函数就是常用的将一个数换成(0,1)之间的小数的函数，可以自行百度。
然后就是训练部分，首先要定义Loss函数和优化器，此处的Loss函数用nn包自带的均方损失函数，即,
此函数形式有很多，用途就是计算预测值跟结果之间的差距。优化器的选择参考此处。(挖坑待填)
训练的过程：得到预测值 - - 利用Loss函数得到误差 - - 梯度清零 - - 反向传播 - - 梯度优化。
经过数次训练，net神经网络的参数会不断得到优化，直到达到预期效果。
最后
输出一下loss值，看一下每次的误差
初次了解pytorch，第一次搭建神经网络，若有错误以及不足之处，欢迎提出。