大家好，我是锋哥。最近连载更新《PyTorch2 深度学习》技术专题。
本课程主要讲解基于PyTorch2的深度学习核心知识，主要讲解包括PyTorch2框架入门知识，环境搭建，张量，自动微分，数据加载与预处理，模型训练与优化，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。。 同时也配套视频教程 《PyTorch 2 Python深度学习 视频教程》
我们用 PyTorch 2 训练一个简单的神经网络，拟合函数，y=2x+1
让模型学会从输入 x 预测输出 y。
我们使用PyTorch2里的nn.Linear()来实现线性神经网络。
nn.Linear(in_features, out_features, bias=True)
核心参数：
in_features
- 类型: int
- 作用: 指定输入特征的数量（输入维度）
- 说明: 每个输入样本的特征向量长度
out_features
- 类型: int
- 作用: 指定输出特征的数量（输出维度）
- 说明: 该线性层将产生的输出向量长度
bias
-
类型: bool
-
默认值: True
-
作用: 决定是否在变换中使用偏置项
-
说明:
- 如果
True，层会学习一个偏置参数b - 如果
False，层只进行线性变换而不加偏置
- 如果
示例代码：
import torch
from torch import nn, optim
# 1，构造训练数据：y=2x+1
x = torch.linspace(-5, 5, 100).unsqueeze(1) # 100的样本，维度[100,1]
print(x, x.shape)
y = 2 * x + 1 + torch.randn(x.size()) # 添加噪声
# 2，定义简单的线性模型
model = nn.Linear(1, 1)
# 3, 定义损失函数与优化器
criterion = nn.MSELoss() # 均方误差
optimizer = optim.SGD(model.parameters(), lr=0.01)
# 4，训练模型
epochs = 2000
for epoch in range(epochs):
y_pred = model(x) # 前向传播
loss = criterion(y_pred, y) # 计算损失
optimizer.zero_grad() # 清空梯度
loss.backward() # 反向传播
optimizer.step() # 更新参数
print(f'epoch: {epoch}, loss: {loss.item()}')
# 5，查看结果
[w, b] = model.parameters()
print(f'训练结果：w: {w}, b: {b}')
运行结果，已经非常接近2,1了。
