线性回归啊

import torch
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] ])

损失如果计算为向量是无法构建计算图

第一个参数 1 表示输入特征的数量，也就是模型接收的每个样本的特征数量。在这个例子中，输入特征的数量为 1。第二个参数 1 表示输出特征的数量，也就是线性层输出的特征数量。在这个例子中，输出特征的数量为 1。

class LinearModel(torch.nn.Module): # 所有的类都要继承自moudledef __init__(self): # initial他的构造函数# 初始化对象时候所构造的函数super(LinearModel,self).__init__() # 调用父类的initself.linear = torch.nn.Linear(1,1) # 类后加括号构造对象，权重与偏置# linear也是继承自moudle，可以自动进行反向传播def forward(self , x): # 必须药叫做forwardy_pred = self.linear(x)# 对象后面加括号是实现一个可调用对象return y_pred

model = LinearModel()

是的，你说得对。在PyTorch中，通常将模型的前向传播分成两部分：

可调用的forward方法：这部分实现了模型的计算部分，即将输入数据通过模型的各个层进行前向传播，从而生成模型的输出。在这个过程中，forward方法定义了模型的具体计算逻辑，包括数据的传递、变换和计算。这部分通常位于模型的内部，即模型类的定义中。

外部调用的forward方法：这部分主要用于将模型的计算结果返回给用户。在PyTorch中，通常不直接调用模型的forward方法，而是通过调用模型对象来触发前向传播过程。当你调用模型对象时（例如model(x)），PyTorch会自动调用内部的forward方法，完成模型的计算，并将计算结果返回给用户。这部分通常位于模型的外部，即模型对象被调用的地方。

综上所述，可调用的forward方法实现了模型的计算部分，而外部调用的forward方法则实现了返回计算结果部分。这种分工使得模型的定义更加清晰和灵活，同时也方便了模型的使用。

在你的代码中，你对模型的前向传播方法命名为testt而不是约定俗成的forward。这样的话，PyTorch会认为你没有定义模型的前向传播方法，而是定义了一个新的方法testt。因此，在使用模型进行前向传播时，你将无法使用model(x)的方式调用，而需要使用model.testt(x)。

这会导致两个问题：

不符合PyTorch的约定：PyTorch规定模型的前向传播方法必须命名为forward，这样才能让PyTorch在调用时自动识别并执行前向传播逻辑。

使用不便：将前向传播方法命名为非约定俗成的名字会导致使用不便，因为你需要记住不同模型的不同方法名称，并且不能够直接通过model(x)的方式调用。

因此，建议你将前向传播方法的名字改为forward，这样符合PyTorch的约定，也更加方便使用。

损失函数和优化器

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

reduction='sum’表示将每个样本的损失相加，得到总的损失值。这意味着对每个样本的损失不做平均处理，而是直接相加，得到整个批次的总损失。这种方式适用于需要对整个批次的损失进行分析的情况，例如在训练过程中进行梯度更新时。

除了sum之外，reduction参数还支持其他几种选项，包括：

‘mean’：对每个样本的损失求平均值。 ‘none’：不进行汇总，保留每个样本的损失值。这种方式适用于需要对每个样本的损失进行单独处理的情况。

criterion = torch.nn.MSELoss(reduction='sum')

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

model.parameters()

list(model.parameters())
[Parameter containing:tensor([[-0.9493]], requires_grad=True),Parameter containing:tensor([0.3216], requires_grad=True)]

第一个参数是权重（weight），它是一个张量，形状为(1, 1)，即一个标量。第二个参数是偏置（bias），也是一个张量，形状为(1,)，即一个标量。这些参数的值是随机初始化的，因为你在代码中没有指定初始值，所以PyTorch会使用默认的初始化策略来初始化这些参数。在训练过程中，这些参数的值会随着反向传播算法的执行而不断更新，以最小化损失函数。

for epoch in range(100):y_pred = model(x_data)loss = criterion(y_pred,y_data)print(epoch,loss.item())plt.scatter(epoch,loss.data)optimizer.zero_grad() # 所有权重的梯度归零loss.backward() # 反向传播optimizer.step() # 更新

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