我们生成与上一节中相同的数据集。其中features是训练数据特征，labels是标签。
num_inputs = 2
num_examples = 1000
true_w = [2, -3.4]
true_b = 4.2
features = torch.tensor(np.random.normal(0, 1, (num_examples, num_inputs)), dtype=torch.float)
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()), dtype=torch.float)
【】最后一部是加噪声】】
PyTorch提供了data包来读取数据。由于data常用作变量名，我们将导入的data模块用Data代替。在每一次迭代中，我们将随机读取包含10个数据样本的小批量。
import torch.utils.data as Data
batch_size = 10
# 将训练数据的特征和标签组合
dataset = Data.TensorDataset(features, labels)
# 随机读取小批量
data_iter = Data.DataLoader(dataset, batch_size, shuffle=True) 这里data_iter的使用跟上一节中的一样。让我们读取并打印第一个小批量数据样本。
for X, y in data_iter:
print(X, y)
break
输出：
tensor([[-2.7723, -0.6627],
[-1.1058, 0.7688],
[ 0.4901, -1.2260],
[-0.7227, -0.2664],
[-0.3390, 0.1162],
[ 1.6705, -2.7930],
[ 0.2576, -0.2928],
[ 2.0475, -2.7440],
[ 1.0685, 1.1920],
[ 1.0996, 0.5106]])
tensor([ 0.9066, -0.6247, 9.3383, 3.6537, 3.1283, 17.0213, 5.6953, 17.6279,
2.2809, 4.6661])
在上一节从零开始的实现中，我们需要定义模型参数，并使用它们一步步描述模型是怎样计算的。当模型结构变得更复杂时，这些步骤将变得更繁琐。其实，PyTorch提供了大量预定义的层，这使我们只需关注使用哪些层来构造模型。下面将介绍如何使用PyTorch更简洁地定义线性回归。
首先，导入torch.nn模块。实际上，“nn”是neural networks（神经网络）的缩写。顾名思义，该模块定义了大量神经网络的层。之前我们已经用过了autograd，而nn就是利用autograd来定义模型。nn的核心数据结构是Module，它是一个抽象概念，既可以表示神经网络中的某个层（layer），也可以表示一个包含很多层的神经网络。在实际使用中，最常见的做法是继承nn.Module，撰写自己的网络/层。一个nn.Module实例应该包含一些层以及返回输出的前向传播（forward）方法。下面先来看看如何用nn.Module实现一个线性回归模型。
class LinearNet(nn.Module):
def __init__(self, n_feature):
super(LinearNet, self).__init__()
self.linear = nn.Linear(n_feature, 1)
# forward 定义前向传播
def forward(self, x):
y = self.linear(x)
return y
net = LinearNet(num_inputs)
print(net) # 使用print可以打印出网络的结构
【】注意这里
net = LinearNet(num_inputs)这一句其实就是为初始函数赋值 吧 可以这么理解
class LinearNet(nn.Module):这个是说继承于原始的模型super(LinearNet, self).__init__()这个是继承原始的初始函数 self.linear = nn.Linear(n_feature, 1) 然后这个是自己定义模型的输入为n_feature 输出为1
——————————————————————————-----
这里直接运行是会出错的
但是视频中可能不会
其实是因为nn的问题
会提示nn没法识别
其实这个时候还少了一句import
得在前面加上才能够使用
就是import torch.nn as nn
这一句
这一句加在前面之后就可以使用nn
本人也觉得很奇怪
明明torch都引入了
但是如果单纯nn的话还是会错的
除非是torch.nn就可以使用
但是这样太多了
所以直接
import torch.nn as nn
【】这多亏了http://www.3qphp.com/python/pybase/4373.html这个网站 让我看到了这一句】】
=============================================
输出：
LinearNet( (linear): Linear(in_features=2, out_features=1, bias=True) )
--------------------------
事实上我们还可以用nn.Sequential来更加方便地搭建网络，Sequential是一个有序的容器，网络层将按照在传入Sequential的顺序依次被添加到计算图中。
就是相当于一个容器
# 写法一
net = nn.Sequential(
nn.Linear(num_inputs, 1)
# 此处还可以传入其他层
)
# 写法二
net = nn.Sequential()
net.add_module(‘linear‘, nn.Linear(num_inputs, 1))
# net.add_module ......
# 写法三
from collections import OrderedDict
net = nn.Sequential(OrderedDict([
(‘linear‘, nn.Linear(num_inputs, 1))
# ......
]))
print(net)
print(net[0])
输出：
Sequential( (linear): Linear(in_features=2, out_features=1, bias=True) ) Linear(in_features=2, out_features=1, bias=True)
可以通过net.parameters()来查看模型所有的可学习参数，此函数将返回一个生成器。
for param in net.parameters():
print(param)
Parameter containing:
tensor([[-0.0277, 0.2771]], requires_grad=True)
Parameter containing:
tensor([0.3395], requires_grad=True)
——————————————---------
回顾图3.1中线性回归在神经网络图中的表示。作为一个单层神经网络，线性回归输出层中的神经元和输入层中各个输入完全连接。因此，线性回归的输出层又叫全连接层。
注意：
torch.nn仅支持输入一个batch的样本不支持单个样本输入，如果只有单个样本，可使用input.unsqueeze(0)来添加一维。3.3.4 初始化模型参数
在使用
net前，我们需要初始化模型参数，如线性回归模型中的权重和偏差。PyTorch在init模块中提供了多种参数初始化方法。这里的init是initializer的缩写形式。我们通过init.normal_将权重参数每个元素初始化为随机采样于均值为0、标准差为0.01的正态分布。偏差会初始化为零。
from torch.nn import init init.normal_(net[0].weight, mean=0, std=0.01) init.constant_(net[0].bias, val=0) # 也可以直接修改bias的data: net[0].bias.data.fill_(0)
【】这里的constant_应该是指一个常量的意思吧 而且这里是说可以为
net[0].bias.data.fill_(0)充满0 fill_（0）】】】
_________
___________________________--
注：如果这里的net是用3.3.3节一开始的代码自定义的，那么上面代码会报错，net[0].weight应改为net.linear.weight，bias亦然。因为net[0]这样根据下标访问子模块的写法只有当net是个ModuleList或者Sequential实例时才可以，详见4.1节。
PyTorch在nn模块中提供了各种损失函数，这些损失函数可看作是一种特殊的层，PyTorch也将这些损失函数实现为nn.Module的子类。我们现在使用它提供的均方误差损失作为模型的损失函数。
loss = nn.MSELoss()
——————————————————————---
同样，我们也无须自己实现小批量随机梯度下降算法。torch.optim模块提供了很多常用的优化算法比如SGD、Adam和RMSProp等。下面我们创建一个用于优化net所有参数的优化器实例，并指定学习率为0.03的小批量随机梯度下降（SGD）为优化算法。
import torch.optim as optim
optimizer = optim.SGD(net.parameters(), lr=0.03)
print(optimizer)
输出：
SGD ( Parameter Group 0 dampening: 0 lr: 0.03 momentum: 0 nesterov: False weight_decay: 0 )
【】net.parameters()这里这一句直接是指模型的所有参数了
optim.SGD
而这个是直接调用了SGD
】】】
==============================
optimizer =optim.SGD([
# 如果对某个参数不指定学习率，就使用最外层的默认学习率
{‘params‘: net.subnet1.parameters()}, # lr=0.03
{‘params‘: net.subnet2.parameters(), ‘lr‘: 0.01}
], lr=0.03)
【】这里虽然是对于内层的网络改为学习0.01 外层0.03
但是本人的电脑发现没法找到这个subnet1
也许是第一层和第二层的描述方法有出入吧？？
=====================================
有时候我们不想让学习率固定成一个常数，那如何调整学习率呢？主要有两种做法。一种是修改optimizer.param_groups中对应的学习率，另一种是更简单也是较为推荐的做法——新建优化器，由于optimizer十分轻量级，构建开销很小，故而可以构建新的optimizer。但是后者对于使用动量的优化器（如Adam），会丢失动量等状态信息，可能会造成损失函数的收敛出现震荡等情况。
# 调整学习率
for param_group in optimizer.param_groups:
param_group[‘lr‘] *= 0.1 # 学习率为之前的0.1倍
===================================
在使用Gluon训练模型时，我们通过调用optim实例的step函数来迭代模型参数。按照小批量随机梯度下降的定义，我们在step函数中指明批量大小，从而对批量中样本梯度求平均。
num_epochs = 3
for epoch in range(1, num_epochs + 1):
for X, y in data_iter:
output = net(X)
l = loss(output, y.view(-1, 1))
optimizer.zero_grad() # 梯度清零，等价于net.zero_grad()
l.backward()
optimizer.step()
print(‘epoch %d, loss: %f‘ % (epoch, l.item()))
【注意这
data_iter里面已经数据集的组合 以及lodaer了
所以会自己分批次取迭代 不用我们去理
loss(output, y.view(-1, 1))这的-1 是根据情况看看自己该是多少
这里是看output有几个行 他就跟着几
然后loss中是有自己进行均值 的
optimizer.zero_grad() # 梯度清零，等价于net.zero_grad()optimizer.step()这2句可以看出梯度是归opti管的
所以优化器进行梯度的归0
然后step是迭代
所有opti的step是说用梯度下降进行参数的迭代的含义】】
===============================
输出：
epoch 1, loss: 0.000457
epoch 2, loss: 0.000081
epoch 3, loss: 0.000198 】
下面我们分别比较学到的模型参数和真实的模型参数。我们从net获得需要的层，并访问其权重（weight）和偏差（bias）。学到的参数和真实的参数很接近
dense = net[0]
print(true_w, dense.weight)
print(true_b, dense.bias)输出：
[2, -3.4] tensor([[ 1.9999, -3.4005]]) 4.2 tensor([4.2011])但是感觉差距还是有的
【】这里是有优化
】】】
【损失函数是在nn里的
然后优化函数是在opti里的
包括数据的初始化 比如w和b也是在nn里的】
原文：https://www.cnblogs.com/c2d3dmm/p/12819314.html