本文已参与「新人创作礼」活动，一起开启掘金创作之路。
包括数据创建，模型定义，超参定义，训练，测试等完整过程。
# 练习：一个超级简单的线性回归模型
import torch
import numpy as np
import torch.nn as nn
# 构造一组输入数据x及其对应标签y
x_values = [i for i in range(1, 10)]
x_train = np.array(x_values, dtype=np.float32) # 构造numpy
x_train = x_train.reshape(-1, 1) # 为防止出错，一般情况下将数据转换为矩阵格式，此处为列向量矩阵
y_values = [2 * i + 1 for i in x_values] # 假设y=2*x+1
y_train = np.array(y_values, dtype=np.float32)
y_train = y_train.reshape(-1, 1)
# 定义模型
class LinearRegressionModel(nn.Module):
def __init__(self, input_dim, output_dim):
super(LinearRegressionModel, self).__init__()
self.linear = nn.Linear(input_dim, output_dim) # 全连接层，线性回归就是不需要激活函数的全连接层
def forward(self, x): # 前向传播
out = self.linear(x) # 输入x，输出out
return out
if __name__ == "__main__":
input_dim = 1
output_dim = 1
model = LinearRegressionModel(input_dim, output_dim) # 模型
epochs = 100 # 训练次数
learning_rate = 0.01 # 学习率
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate) # 优化器
loss_fun = nn.MSELoss() # 损失函数，分类任务常用交叉熵损失函数，回归任务常用MSE
# 训练
for epoch in range(epochs):
epoch += 1
inputs = torch.from_numpy(x_train) # 将ndarrey格式转换为Terson
labels = torch.from_numpy(y_train)
optimizer.zero_grad() # 每次迭代前或结束后梯度清零，否则会累加
outputs = model(inputs) # 前向传播
loss = loss_fun(outputs, labels) # 计算损失
loss.backward() # 返向传播，自动计算梯度
optimizer.step() # 更新权重参数
if epoch % 10 == 0: # 每10个epoch输出一次损失值
print("loss of No {0} epoch is： {1}".format(epoch, loss.item()))
# 测试
predicted = model(torch.from_numpy(x_train).requires_grad_()) # 前向传播，计算输出
predicted = predicted.data.numpy() # 转换成ndarrey格式，便于画图制表等
for j in x_values:
print(x_values[j], predicted[j], (predicted[j]-1)/x_values[j])
程序运行结果：
loss of No 10 epoch is： 0.09011725336313248 loss of No 20 epoch is： 0.08299523591995239 loss of No 30 epoch is： 0.07643688470125198 loss of No 40 epoch is： 0.0703967958688736 loss of No 50 epoch is： 0.06483396887779236 loss of No 60 epoch is： 0.05971059575676918 loss of No 70 epoch is： 0.054992228746414185 loss of No 80 epoch is： 0.050646599382162094 loss of No 90 epoch is： 0.04664454981684685 loss of No 100 epoch is： 0.0429585836827755 2 [4.6931477] [1.8465738] 3 [6.764638] [1.921546] 4 [8.836127] [1.9590318] 5 [10.907617] [1.9815233] 6 [12.979107] [1.9965178] 7 [15.050596] [2.0072281] 8 [17.122086] [2.0152607] 9 [19.193575] [2.0215082]
