《PyTorch深度学习实践》学习笔记：Pytorch实现线性模型

`

一、Pytorch实现线性模型

准备数据：

广播机制：

这两个矩阵是不能直接做加法的，所以需要做广播即对[1 2 3]进行扩充。



求出loss后，一般会求和或者均值得到loss的标量值。

pytorch输入的数据是tensor类型。



这里关于函数的参数的一些补充知识:
def fuc(*args,**kwargs):
print(args)
print(kwargs)

fuc(1,2,3,4,x=3,y=4)
(1, 2, 3, 4)
{‘x’: 3, ‘y’: 4}
可以看到args输出的是元组，而kwargs输出的是字典。

• 在pytorch的__call__语句里面有一个重要的就是forward()。
• Module实现了魔法函数__call__()，call()里面有一条语句是要调用forward()。因此新写的类中需要重写forward()覆盖掉父类中的forward()。
• 所以我们在自己的moudle里面必须是实现forward。
  
  
  loss：
  
  可以去看Pytorch官网查看MSEloss具体现在参数使用，跟上述有所不同。

优化器：

优化器不会构建计算图。
第一个参数：params代表的是权重。

优化器可以对模型里面的所有权重进行更新，上述的模型包括w和b。
最终完整的过程：

二、练习代码

import torch
from torch import nn
import matplotlib.pyplot as plt

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


class Linear(nn.Mo