详解使用pytorch实现线性回归

引言

pytorch作为一门主流的深度学习框架，API是非常多的，但使用pytorch搭建神经网络模型时，往往套路又较为固定。因此通过一些实际的例子去熟悉如何搭建模型、如何训练、测试数据，在实践中学习的效果往往要比漫无目的的学语法和API要好的多。

本文主要从最为基础的线性回归着手，严格来说线性回归更多的在机器学习中讨论，但是我们也能搭建一个简单的“神经网络”，用深度学习的套路来解决这个问题，而这个基本套路，即使是在搭建极为复杂的神经网络中也是适用的。

本文不会对深度学习的一些基本概念做过多的阐述，主要是以应用为导向，穿插着介绍pytorch的一些常用方法。

任务目标

线性回归的式子满足：y = w*x + b，其中w和b均为参数，x，y可以理解成特征值和目标值，在程序中我们指定x，w，b，目标值y也随之确定了下来。然后将x通过神经网络进行训练，我们希望通过训练，使得随机初始化的参数w和b能够逼近一开始我们指定的w，b，使得预测值pred和实际的目标值y能够无限接近。

初始化数据

这里我们假设有50个数据，采用随机赋值的方式定义x，然后取w=3，b=0.8，得到的y = 3 * x + 0.8作为目标值，这里x的随机赋值用pytorch的rand()方法实现：

# 1. 定义数据
x = torch.rand([50,1])
y = x*3 + 0.8

这里我们观察到，x的形状是[50,1]，也就是50行1列的数据，50代表一共有50条数据，相当于batch_size，这里由于样本数量本身就不多，所以并没有分成多个batch，而是一次性将所有样本放到神经网络中去训练。

y通过上面的运算，形状也是[50,1]，对应着x的目标值。

构建模型

nn.Modul 是torch.nn提供的一个类，是pytorch中我们自定义网络的一个基类，在这个类中定义了很多有用的方法，让我们在继承这个类定义网络的时候非常简单。

当我们自定义网络的时候，有两个方法需要特别注意：

1. __init__需要调用super方法，继承父类的属性和方法

2. farward方法必须实现，用来定义我们的网络的向前计算（前向传播）的过程

用前面的y = wx+b的模型举例如下：

from torch import nn
class Lr(nn.Module):
    def __init__(self):
        super(Lr, self).__init__()  #继承父类init的参数
        self.linear = nn.Linear(1, 1) 

    def forward(self, x):
        out = self.linear(x)