Pytorch笔记（1-5）

张量

张量可以理解为numpy里面的矩阵，可以进行矩阵的操作

张量初始化

x_data = torch.tensor([[1,2],[2,3]])

模型的建立

首先建立一个单元，在pytorch里面，一个单元就是神经网络的一个节点，前向传播。

一般以一个类定义

class LearnModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel,self).__init__()# 必须要有
        self.linear = torch.nn.Linear(1,1)# 接受两个参数一个是输入数据的维度，一个是输出数据的维度，这个函数就是求出参数w和b再顺便做好相乘加b
    def forward(self,x):
        y_pred = self.linear(x)# 前向传播
        return y_pred

损失函数和参数更新

 
criterion = torch.nn.MSELoss(size_average = True)
# 损失函数，均方根损失函数，接受两个参数，上面这个为True时求均值
optimizer = torch.optim.SGD(model.parameters(), lr = 0.01)
# 这是一个优化器，就是更新参数的，第一个参数就是你要更新哪些参数，第一个函数可以选择所有的参数，lr就是learn_rate学习率

线性回归

 
model = LinearModel()
for epoch in range(100):
    y_pred = model(x_data) # 前向传播获得y的预测值
    loss = criterion(y_pred, y_data) # 求出代价
    optimizer.zero_grad() # 清零梯度
    loss.backward() # 自动计算梯度
    optimizer.step() # 更新w和b的值