1. 生成数据集
? ? ? ? 我们构造一个简单的人工训练数据集，训练的赝本数为1000， 特征数为2， 我们使用线性回归模型真是权重和偏差b = 4.2以及一个随机噪声来生成标签。
? ? ? ? 其中噪声服从均值为0，标准差为0.01的正态分布。噪声代表了数据集中无意义IDE干扰。
? ? ? ? 下面我们生成数据集，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)2. 读取数据
? ? ? ? ?Pytorch提供data包来读取数据，由于data常用来做变量，我们将导入的data模块用Data代替，在每次迭代中，我们随机读取包含10个样本的小批量。
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?小批量量
data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)3. 定义模型
? ? ? ? 首先导入torch.nn模块，实际上，“nn”是neural networks（神经网络）的缩写。该模块定义了大量神经网络的层，nn的核心结构是Module，它是一个抽象概念，既可以表示神经网络的某个层，也可以表示包含多层的神经网络。在实际应用中，往往集成nn.Module，撰写自己的网络/层。
? ? ? ? 下面先看看如何用nn.Module实现一个线性回归模型。
import torch.nn
class LinearNet(nn.Module):
def __init__(self, n_feature):
super(LinearNet, self).__init__()
self.linear = nn.Linear(n_feature, 1)
# 定义向前传播
def forward(self, x):
y = self.linear(x)
return y
net = LinearNet（num_inpouts）
print(net) # 使?用print可以打印出?网络的结构????????输出：
LinearNet((linear): Linear(in_features=2, out_features=1, bias=True))????????此外，我们还可以用nn.Sequential来更加方便的搭建网络，Sequential是一个有序容器，网络层按照在传入Sequential的序列一次被添加到计算图中。
# 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，此函数返回一个生成器。
for param in net.paremeters():
print(param)
? ? ? ? 输出：
Parameter containing:
tensor([[-0.0277, 0.2771]], requires_grad=True)
Parameter containing:
tensor([0.3395], requires_grad=True)【注意：线性回归层又叫做全连接层】
4. 初始化模型参数
? ? ? ? 在使用模型之前，需要对模型参数做初始化操作，如线性回归中的权重和偏差。Pytorch在init模块中提供了多种参数初始化的方法。
? ? ? ? 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，偏差初始化为0.
form torch.nn import init
init.normal_(net[0].weight, mean=0, std=0.01)
init.constant_(net[0].bias, val=0)5. 定义损失函数
? ? ? ? Pytorch在nn模块中定义了各种损失函数，这些损失函数可以看做一种特殊的层，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差损失函数。
loss = nn.EMSLoss()6. 定义优化器
6.1 优化器常用方法
? ? ? ? torch.optim模块提供了很多常用的优化算法，比如SGD， Adam， RMSProp等。
? ? ? ? 我么采用学习率为0.03的小批量随机梯度下降（SGD）为优化器
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
)6.2 我们可以为不同网络设置不同的学习率，比如：
optimizer = optim.SGD([
{'params', net.subnet1.parameters()},
{'params', net.subnet2.parameters(), 'lr': 0.01}
], lr = 0.03)6.2 改变学习率
? ? ? ? 改变学习率的方法有两种，一种是修改optimizer.param_groups中对应的学习率；一种是更为推荐的做法---新建优化器，由于optimizer十分轻量级，重新构建开销很小。【注意：但是第二种方法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】
# 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7. 模型训练
? ? ? ? 我们通过调用optim实例的step函数来迭代模型参数。
num_epochs = 3
for epoch int range(1, num_opechs+1):
for X, y in data_iter:
output = net(X)
l = loss(output, y.view(-1, 1))
optimizer.zero_grad() # 梯度清零
l.backward()
optimizer.step()
print('epoch %d, loss: %f' % (epoch, l.item()))
? ? ? ? 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])