使用pytorch写神经网络的第一步就是需要准备好数据集，设计模型（用于计算y_hat（y的预测值）），构造损失函数和优化器（使用PyTorch API），写训练周期（前馈（算loss）+反馈（算梯度）+更新（更新权重））

一：准备数据

现在使用mini-batch的方式，X和Y为3x1（可以变，但是x和y要相同）的矩阵形式。

从代码中也可以看出来，x和y都是3x1的矩阵。

二：设计模型（构造计算图）

此处使用了一个仿射模型（在pytorch中叫做线性单元）

在我们设计的例子中，我们需要设置权重w的数值，和偏置量b。

那w和b的形状（几x几的矩阵），是由y_hat和x来共同确定。

之后将y_hat和y放入loss函数中进行计算，得出loss的值（一定是一个标量）。

看下模型设计的代码：

#需要继承自module ，因为module中有很多方法我们需要使用
class LinearModel(torch.nn.Module):def __init__(self): #构造函数 在初始化对象时默认调用的函数super(LinearModel,self).__init__() #super调用父类的构造self.linear = torch.nn.Linear(1,1) #构造一个对象 linear Unit中的w和b（linear来自父类，可以自动反向传播）def forward(self,x): #前馈需要进行的计算 发现没有backword模块，因为Module中自动根据计算图实现backword过程y_pred = self.linear(x)return y_predmodel = LinearModel() #实例化 在之后既可以使用model（x）将x传入forword中的x，求得y_pred

其中torch.nn.Linear 的使用方法如下 

三：构造loss和optimizer

此处我们使用MSEloss，需要的参事时y_hat和y，就可以求出loss。

代码如下：

criterion = torch.nn.MSELoss(size_average=False)

我们使用SGD优化器（不会构建计算图），代码如下

optimizer = torch.optim.SGD(model.parameters(),lr=0.01)

四：训练过程

for epoch in range(100):y_pred = model(x_data)  #先计算出y_hatloss = criterion(y_pred,y_data) #再计算出lossprint(epoch,loss.item()) optimizer.zero_grad()#在反馈前将梯度清0loss.backward()#反馈optimizer.step()#更新

最后打印一些相关内容

# w b
print('w=',model.linear.weight.item())
print('b=',model.linear.weight.item())#Test Model
x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print('y_pred=',y_test.data)

发现当range为1000时，已经达到了我们的预期。

五：整体流程