【项目实战】用Pytorch实现线性回归

视频教程：https://www.bilibili.com/video/BV1Y7411d7Ys?p=5

准备数据

首先配置了环境变量，这里使用python3.9.7版本，在Anaconda下构建环境运行，并且安装pytorch
决定使用模型y=wx+b
然后根据视频在pycharm中输入如下代码

import torch
x_data=torch.Tensor([[1.0],[2.0],[3.0]])
y_data=torch.Tensor([[2.0],[4.0],[6.0]])

首先这里预期使用小批量梯度下降
而在使用numpy的时候会有广播机制存在，会自动把不能相加的矩阵直接扩充广播成相同大小，而我们的Tensor构造的时候就需要注意了，我们必须要保证我们构造的数据一开始就是矩阵，所以必须用[1.0],[2.0],[3.0]的方法来进行构造

设计模型

在pytorch中目标不再是人工求出导数，重点变成了构造计算图
构造计算图首先要知道X的维度，还需要知道输出的y是几维的，这样就可以确定w权重以及b偏值的形状
这样就可以输入x，经过w和b计算出y，再由y算出算是loss，由loss调用反向传播，拿到所有损失还需要求和求均值，否则无法反向传播
首先要把我们的模型定义成一个类,而我们在构造模型的时候使用的都是这样一个模板，必须掌握这样的一个编写方式

class LinearModel(torch.nn.Module):         //所有编写的模型都要记成Module，这里面有很多方法，要从这个模块里面把继承下来
//类里面至少要有两个函数，一个是init，属于构造函数，还有一个forward函数（必须叫这个），而module里面会根据计算图自动帮你实现反向传播过程,如果你觉得他的计算效率不高，你也可以用torch里面的一个function类来构造自己的计算方法
    def __init__(self):
        super(LinearModel,self).__init__()  //调用父类的构造
        self.Linear = torch.nn.Linear(1, 1) //torch.nn.Linear是torch里面的一个类，这里是构造一个对象，这里包含了权重和偏置

    def forward(self,x):
        y_pred = self.Linear(x)   //这里表示实现一个可调用的对象
        return y_pred
model1 = LinearModel()

这里给出class torch.nn.Linear的具体文档

这里的size表示维度，这里的bias是一个布尔类型，来决定你是否需要偏置量（默认是ture）

构造损失函数和优化器

criterion = torch.nn.MSELoss(size_average=False)               //size.average表示最后是否需要求均值
optimizer = torch.optim.SGD(model1.parameters(),lr=0.01)       //parameters可以把模型中所有的参数全部找出来，lr就是学习率，而这个optimizer，他就知道需要对哪些东西做优化

训练过程

for epoch in range(100):
    y_pred = model1(x_data)         //先算出y
    loss = criterion(y_pred,y_data) //利用criterion算出损失函数
    print(epoch, loss.item())              //打印出来

    optimizer.zero_grad()           //先梯度归零
    loss.backward()                 //反向传播
    optimizer.step()                //更新参数

打印结果

print('w=', model.linear.weight.item())
print('b=', model.linear.bias.item())
x_test = torch.Tensor([[4.0]])
y_text = model(x_test)
print('y_pred=', y_text.data)

一开始给我报错

原来最上面X，Y赋值少了一对中括号，导致识别不出来
然后成功跑出！

输入4，1000次迭代输出7.9994，很不错了
然后我们修改一下，加一个数据4和8，然后输入10，训练2000次

帅的嘛不谈了！

完整代码如下：

import torch
x_data = torch.Tensor([[1.0], [2.0], [3.0], [4.0]])
y_data = torch.Tensor([[2.0], [4.0], [6.0], [8.0]])

class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)

    def forward(self, x):
        y_pred = self.linear(x)
        return y_pred

model = LinearModel()
criterion = torch.nn.MSELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

print('w=', model.linear.weight.item())
print('b=', model.linear.bias.item())
x_test = torch.Tensor([[10.0]])
y_text = model(x_test)
print('y_pred=', y_text.data)

打算修改步长再试试
后记：果然学习率设置过程就是炼丹