假設(shè)我們的基礎(chǔ)模型就是y = wx + b,其中w和b均為參數(shù)，我們使用y = 3x+0.8來構(gòu)造數(shù)據(jù)x、y，所以最后通過模型應(yīng)該能夠得出w和b應(yīng)該分別接近3和0.8。

步驟如下：

1. 準(zhǔn)備數(shù)據(jù)
2. 計(jì)算預(yù)測(cè)值
3. 計(jì)算損失，把參數(shù)的梯度置為0，進(jìn)行反向傳播
4. 更新參數(shù)

方式一

該方式?jīng)]有用pytorch的模型api，手動(dòng)實(shí)現(xiàn)

import torch,numpy
import matplotlib.pyplot as plt# 1、準(zhǔn)備數(shù)據(jù)
learning_rate = 0.01
#y=3x + 0.8
x = torch.rand([500,1])
y_true= x*3 + 0.8# 2、通過模型計(jì)算y_predict
w = torch.rand([1,1],requires_grad=True)
b = torch.tensor(0,requires_grad=True,dtype=torch.float32)# 3、通過循環(huán)，反向傳播，更新參數(shù)
for i in range(500):# 4、計(jì)算lossy_predict = torch.matmul(x,w) + bloss = (y_true-y_predict).pow(2).mean()# 每次循環(huán)判斷是否存在梯度，防止累加if w.grad is not None:w.grad.data.zero_()if b.grad is not None:b.grad.data.zero_()# 反向傳播loss.backward()w.data = w.data - learning_rate*w.gradb.data = b.data - learning_rate*b.grad# 每50次輸出一下結(jié)果if i%50==0:print("w,b,loss",w.item(),b.item(),loss.item())#可視化顯示
plt.figure(figsize=(20,8))
plt.scatter(x.numpy().reshape(-1),y_true.numpy().reshape(-1))
y_predict = torch.matmul(x,w) + b
plt.plot(x.numpy().reshape(-1),y_predict.detach().numpy().reshape(-1),c="r")
plt.show()

循環(huán)500次的效果

循環(huán)2000次的結(jié)果

方式二

方式一的方式雖然已經(jīng)購簡(jiǎn)便了，但是還是有些許繁瑣，所以我們可以采用pytorch的api來實(shí)現(xiàn)。
nn.Module是torch.nn提供的一個(gè)類,是pytorch中我們自定義網(wǎng)絡(luò)的一個(gè)基類，在這個(gè)類中定義了很多有用的方法，讓我們?cè)诶^承這個(gè)類定義網(wǎng)絡(luò)的時(shí)候非常簡(jiǎn)單。
當(dāng)我們自定義網(wǎng)絡(luò)的時(shí)候，有兩個(gè)方法需要特別注意:
1.__init__需要調(diào)用super方法，繼承父類的屬性和方法
2. forward方法必須實(shí)現(xiàn)，用來定義我們的網(wǎng)絡(luò)的向前計(jì)算的過程用前面的y = wx+b的模型舉例如下:

#定義模型
from torch import nn
class Lr(nn.Module): #繼承nn.Moduledef __init__(self):super(Lr, self).__init__()self.linear = nn.Linear(1,1)def forward(self,x):out = self.linear(x)return out

全部代碼如下：

#!/usr/bin/env python 
# -*- coding:utf-8 -*-
import torch
from torch import nn
from torch import optim
import numpy as np
from matplotlib import pyplot as plt#1、定義數(shù)據(jù)
x = torch.rand([50,1])
y = x*3 + 0.8#定義模型
class Lr(nn.Module): #繼承nn.Moduledef __init__(self):super(Lr, self).__init__()self.linear = nn.Linear(1,1)def forward(self,x):out = self.linear(x)return out
#2、實(shí)例化模型、loss函數(shù)以及優(yōu)化器
model = Lr()
criterion = nn.MSELoss()   #損失函數(shù)
optimizer = optim.SGD(model.parameters(),lr=1e-3) #優(yōu)化器#3、訓(xùn)練模型
for i in range(3000):out = model(x)# 獲取預(yù)測(cè)值loss = criterion(y,out) #計(jì)算損失optimizer.zero_grad() #梯度歸零loss.backward() #計(jì)算梯度optimizer.step() #更新梯度if(i+1) % 20 ==0:print('Epoch[{}/{}],loss:{:.6f}'.format(i,500,loss.data))#4、模型評(píng)估
model.eval() #設(shè)置模型為評(píng)估模式，即預(yù)測(cè)模式
predict = model(x)
predict = predict.data.numpy()
plt.scatter(x.data.numpy(),y.data.numpy(),c="r")
plt.plot(x.data.numpy(),predict)
plt.show()

注意：

model.eval()表示設(shè)置模型為評(píng)估模式，即預(yù)測(cè)模式

model.train(mode=True) 表示設(shè)置模型為訓(xùn)練模式

在當(dāng)前的線性回歸中，上述并無區(qū)別

但是在其他的一些模型中，訓(xùn)練的參數(shù)和預(yù)測(cè)的參數(shù)會(huì)不相同，到時(shí)候就需要具體告訴程序我們是在進(jìn)行訓(xùn)練還是預(yù)測(cè)，比如模型中存在Dropout，BatchNorm的時(shí)候

循環(huán)2000次的結(jié)果：

循環(huán)30000次的結(jié)果：