PyTorch2 Python深度学习 - 初识PyTorch2，实现一个简单的线性神经网络

锋哥原创的PyTorch2 Python深度学习视频教程：

https://www.bilibili.com/video/BV1eqxNzXEYc

课程介绍

​基于前面的机器学习Scikit-learn，深度学习Tensorflow2课程，我们继续讲解深度学习PyTorch2，所以有些机器学习，深度学习基本概念就不再重复讲解，大家务必学习好前面两个课程。本课程主要讲解基于PyTorch2的深度学习核心知识，主要讲解包括PyTorch2框架入门知识，环境搭建，张量，自动微分，数据加载与预处理，模型训练与优化，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。

PyTorch2 Python深度学习 - 初识PyTorch2，实现一个简单的线性神经网络

我们用 PyTorch 2 训练一个简单的神经网络，拟合函数，y=2x+1

让模型学会从输入 x 预测输出 y。

我们使用PyTorch2里的nn.Linear()来实现线性神经网络。

nn.Linear(in_features, out_features, bias=True)

核心参数：

1. in_features

• 类型: int

• 作用: 指定输入特征的数量（输入维度）

• 说明: 每个输入样本的特征向量长度

1. out_features

• 类型: int

• 作用: 指定输出特征的数量（输出维度）

• 说明: 该线性层将产生的输出向量长度

1. bias

• 类型: bool

• 默认值: True

• 作用: 决定是否在变换中使用偏置项

• 说明:

  • 如果 True，层会学习一个偏置参数 b

  • 如果 False，层只进行线性变换而不加偏置

示例代码：

import torch
from torch import nn, optim
​
# 1，构造训练数据：y=2x+1
x = torch.linspace(-5, 5, 100).unsqueeze(1)  # 100的样本，维度[100,1]
print(x, x.shape)
y = 2 * x + 1 + torch.randn(x.size())  # 添加噪声
​
# 2，定义简单的线性模型
model = nn.Linear(1, 1)
​
# 3, 定义损失函数与优化器
criterion = nn.MSELoss()  # 均方误差
optimizer = optim.SGD(model.parameters(), lr=0.01)
​
# 4，训练模型
epochs = 2000
for epoch in range(epochs):
    y_pred = model(x)  # 前向传播
    loss = criterion(y_pred, y)  # 计算损失
    optimizer.zero_grad()  # 清空梯度
    loss.backward()  # 反向传播
    optimizer.step()  # 更新参数
​
    print(f'epoch: {epoch}, loss: {loss.item()}')
​
# 5，查看结果
[w, b] = model.parameters()
print(f'训练结果：w: {w}, b: {b}')

运行结果，已经非常接近2,1了。