PyTorch深度学习实践（五）---pytorch实现线性回归

pytorch写神经网络

（1）准备数据集

（2）涉及模型（yheight）

（3）构造损失函数和优化器

（4）训练周期（前馈、反馈、更新）

import torch

#1.准备数据
x_data=torch.tensor([[1.0],[2.0],[3.0]])
y_data=torch.tensor([[2.0],[4.0],[6.0]])
#2.构造模型
class LinearModel(torch.nn.Module):
    def __init__(self):#构造函数
        super(LinearModel,self).__init__()
        self.linear=torch.nn.Linear(1,1)#构造对象；(1,1)指输入x和输出y的特征维度；第三个参数自动为true，是否要有b

    def forward(self,x):
        y_pred=self.linear(x)#计算y=ax+b
        return y_pred

model=LinearModel()#实例化

criterion=torch.nn.MSELoss(size_average=False)#计算loss
optimizer=torch.optim.SGD(model.parameters(),lr=0.01)#查看需要更新的权重； lr：学习率

for epoch in range(100):
    y_pred=model(x_data)#前向传播
    loss=criterion(y_pred,y_data)#计算loss
    print(epoch,loss.item())

    optimizer.zero_grad()#先将梯度归零
    loss.backward()#反向传播，计算梯度
    optimizer.step()#更新w，b的值

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)