學了本文你能學到什麼？僅供學習，如有疑問，請留言。。。
注：紅色是小結， 紫色是重點，能像被課文一樣背誦,初次系統性的學習，請多多指點
目錄
3.3 線性迴歸的簡潔實現
小結
使用PyTorch可以更簡潔地實現模型。
torch.utils.data模塊提供了有關數據處理的工具，
torch.nn模塊定義了大量神經網絡的層，
torch.nn.init模塊定義了各種初始化方法，
torch.optim模塊提供了很多常用的優化算法。
3.3.1 生成數據集
import torch
import numpy as np
#features是訓練數據特徵，labels是標籤。
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)
#3.3.2 讀取數據
# PyTorch提供了data包來讀取數據。由於data常用作變量名，我們將導入的data模塊用Data代替。
# 在每一次迭代中，我們將隨機讀取包含10個數據樣本的小批量。
import torch.utils.data as Data
batch_size = 10
# 將訓練數據的特徵和標籤組合
dataset = Data.TensorDataset(features, labels)
# 隨機讀取小批量
data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)
# 3.3.3 定義模型
PyTorch提供了大量預定義的層，這使我們只需關注使用哪些層來構造模型。
下面將介紹如何使用PyTorch更簡潔地定義線性迴歸。
導入torch.nn模塊。實際上，“nn”是neural networks（神經網絡）的縮寫。顧名思義，該模塊定義了大量神經網絡的層
在實際使用中，最常見的做法是繼承nn.Module，撰寫自己的網絡/層。
一個nn.Module實例應該包含一些層以及返回輸出的前向傳播（forward）方法。
下面先來看看如何用nn.Module實現一個線性迴歸模型。
"""
import torch.nn as nn
class LinearNet(nn.Module):
def __init__(self, n_feature):
super(LinearNet, self).__init__()
self.linear = nn.Linear(n_feature, 1)
# forward 定義前向傳播
def forward(self, x):
y = self.linear(x)
return y
net = LinearNet(num_inputs)
# print(net) # 使用print可以打印出網絡的結構
"""
LinearNet(
(linear): Linear(in_features=2, out_features=1, bias=True)
)
nn.Sequential來更加方便地搭建網絡，
Sequential是一個有序的容器，網絡層將按照在傳入Sequential的順序依次被添加到計算圖中。
# 寫法一
net = nn.Sequential(
nn.Linear(num_inputs, 1)
# 此處還可以傳入其他層
)
# 寫法二
net = nn.Sequential()
net.add_module('linear', nn.Linear(num_inputs, 1))
# net.add_module ......
# 寫法三
from collections import OrderedDict
net = nn.Sequential(OrderedDict([
('linear', nn.Linear(num_inputs, 1))
# ......
]))
print(net)
print(net[0])
可以通過net.parameters()來查看模型所有的可學習參數，此函數將返回一個生成器。
for param in net.parameters():
print(param)
"""
# 注意：torch.nn僅支持輸入一個batch的樣本不支持單個樣本輸入，如果只有單個樣本，可使用input.unsqueeze(0)來添加一維。
#3.3.4 初始化模型參數
"""
在使用net前，我們需要初始化模型參數，如線性迴歸模型中的權重和偏差。
PyTorch在init模塊中提供了多種參數初始化方法。這裏的init是initializer的縮寫形式。
我們通過init.normal_將權重參數每個元素初始化爲隨機採樣於均值爲0、標準差爲0.01的正態分佈。偏差會初始化爲零。
"""
from torch.nn import init
# init.normal_(net[0].weight, mean=0, std=0.01)
init.normal_(net.linear.weight, mean=0, std=0.01)
# init.constant_(net[0].bias, val=0)
init.constant_(net.linear.bias, val=0)
#3.3.5 定義損失函數
"""
PyTorch在nn模塊中提供了各種損失函數，這些損失函數可看作是一種特殊的層，PyTorch也將這些損失函數實現爲nn.Module的子類。
我們現在使用它提供的均方誤差損失作爲模型的損失函數。
"""
loss = nn.MSELoss()
#3.3.6 定義優化算法
"""
同樣，我們也無須自己實現小批量隨機梯度下降算法。
torch.optim模塊提供了很多常用的優化算法比如SGD、Adam和RMSProp等。
下面我們創建一個用於優化net所有參數的優化器實例，並指定學習率爲0.03的小批量隨機梯度下降（SGD）爲優化算法。
"""
import torch.optim as optim
optimizer = optim.SGD(net.parameters(), lr=0.03)
print(optimizer)
"""
我們還可以爲不同子網絡設置不同的學習率，這在finetune時經常用到。例：
optimizer =optim.SGD([
# 如果對某個參數不指定學習率，就使用最外層的默認學習率
{'params': net.subnet1.parameters()}, # lr=0.03
{'params': net.subnet2.parameters(), 'lr': 0.01}
], lr=0.03)
有時候我們不想讓學習率固定成一個常數，那如何調整學習率呢？
主要有兩種做法。一種是修改optimizer.param_groups中對應的學習率，
另一種是更簡單也是較爲推薦的做法——新建優化器，
由於optimizer十分輕量級，構建開銷很小，故而可以構建新的optimizer。
但是後者對於使用動量的優化器（如Adam），會丟失動量等狀態信息，可能會造成損失函數的收斂出現震盪等情況。
# 調整學習率
for param_group in optimizer.param_groups:
param_group['lr'] *= 0.1 # 學習率爲之前的0.1倍
"""
#3.3.7 訓練模型
"""
在使用Gluon訓練模型時，我們通過調用optim實例的step函數來迭代模型參數。
按照小批量隨機梯度下降的定義，我們在step函數中指明批量大小，從而對批量中樣本梯度求平均。
"""
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，等價於net.zero_grad()
l.backward()
optimizer.step()
print('epoch %d, loss: %f' % (epoch, l.item()))
"""
下面我們分別比較學到的模型參數和真實的模型參數。我們從net獲得需要的層，並訪問其權重（weight）和偏差（bias）
學到的參數和真實的參數很接近。
"""
dense = net.linear
print(true_w, dense.weight)
print(true_b, dense.bias)
本文參考鏈接：