使用Pytorch写简单线性回归

Pytorch

一、Pytorch 介绍

  PyTorch 是一个开源的深度学习框架，由 Facebook 的人工智能研究团队开发。它主要用于构建和训练深度学习模型，具有以下特点：
  动态计算图：PyTorch 使用动态计算图，这意味着可以在运行时动态地构建、修改和执行计算图，使得开发和调试更加灵活。
  易于使用：提供了简洁直观的 API，使得开发者可以快速上手，专注于模型的设计和实现。
  强大的 GPU 加速：支持在 GPU 上进行高效的并行计算，大大加快了训练和推理的速度。
  广泛的社区支持：拥有庞大的开发者社区，提供了丰富的教程、示例和第三方扩展。

二、概念

  张量（Tensor）：是 PyTorch 中的基本数据结构，类似于多维数组，可以在 CPU 或 GPU 上存储和操作数据。
  自动求导（Autograd）：PyTorch 能够自动计算张量的梯度，这对于训练深度学习模型非常重要，因为它可以通过反向传播算法自动更新模型参数。
  模块（Module）：是 PyTorch 中构建模型的基本单元，可以包含多个子模块和参数。
  优化器（Optimizer）：用于优化模型参数，常见的优化算法如随机梯度下降（SGD）、Adam 等。
  损失函数（Loss Function）：用于衡量模型预测与真实值之间的差异，常见的损失函数有均方误差（MSE）、交叉熵损失等。

三、应用于简单线性回归

  线性回归是一种简单的机器学习算法，用于预测一个连续的数值。下面是使用 PyTorch 实现简单线性回归的步骤：
  准备数据：
  生成一些随机的输入数据和对应的输出数据。例如，假设我们要拟合一个线性函数 y = 2x + 1，可以生成一些随机的 x 值，并计算出对应的 y 值。
  定义模型：
  使用 PyTorch 的模块类定义一个简单的线性回归模型。这个模型通常包含一个线性层，即一个全连接层，它将输入特征映射到输出。
  定义损失函数和优化器：
  选择一个合适的损失函数，如均方误差（MSE）损失。
  选择一个优化器，如随机梯度下降（SGD）优化器，并设置学习率等参数。
  训练模型：
  将数据分成小批次，每次输入一个批次的数据到模型中进行前向传播，计算损失。
  然后进行反向传播，计算梯度，并使用优化器更新模型参数。
  重复这个过程直到达到预定的训练次数或损失收敛。
  测试模型：
  使用训练好的模型对新的数据进行预测，评估模型的性能。

1.代码框架

2.引用

import torch        
from torch import nn
from torch import optim

3.继续模型

  继承模型主要都是在nn.Module类里

(1)要定义一个模型，需要继承nn.Module：

class EIModel(nn.Module):
    def __init__(self):
        super(EIModel,self).__init__()   #等价于super().__init__()  
        self.linear=nn.Linear(in_features=1,out_features=1)   #创建线性层

    def forward(self,inputs):
        logits=self.linear(inputs)
        return logits   

  注：forward()的return切记要写上

(2)如果函数的参数不具体指定，那么就需要在__init__函数中添加未指定的变量：

class EIModel(nn.Module):
    def __init__(self,in_featur