?简介

?????? 一元线性回归是机器学习算法中最简单、直观的算法，对于学习深度学习，虽然简单但必学，是学习深度学习的 “hello word”，本节通过Libtorch来实现这个算法，所参考的Pytorch例子为书上的案例。至于一些基本的理论知识在博客中不会提到。一是因为网上有许多大佬的帖子或博客写的很好。二是本人目的想通过C++实现深度学习（目前主要是复现pytorch案例），兴趣于此。所以基本上都是直接给代码。希望能给大家带来一点参考的价值。

1.神经网络的创建：

class LinearRegression : public torch::nn::Module
{
public:
    //线性回归网络层，即网络构造函数
    LinearRegression() {
        linear = register_module("linear", torch::nn::Linear(torch::nn::LinearOptions(1, 1)));
    }

    // 向前传播，即平差中的误差方程的构建
    torch::Tensor forward(torch::Tensor x) {
        x = linear(x);
        return x;
    }
    
private:
    torch::nn::Linear linear{ nullptr };
};

2.训练数据的创建

Y与X符合下面的公式，b带有偶然误差。

$y = 5*x+b$

//创建数据
    torch::Tensor x = torch::unsqueeze(torch::linspace(0, 19, 20), 1);
    auto y = 5 * x + torch::randint(1, 20,x.sizes());

3.训练，模型的生成

// 新建模型、误差函数、优化器
    auto model = std::make_shared<LinearRegression>();
    torch::optim::SGD optimizer(model->parameters(), 0.001);
    torch::nn::MSELoss criterion;
    
    //开始训练 
    int num_epoches = 10;
    for (int i = 0; i < num_epoches; i++)
    {
        auto out = model->forward(x);
        auto loss = criterion(out, y);
        optimizer.zero_grad();
        loss.backward();
        optimizer.step();

        std::cout << "Epche: " << i + 1 << "/" << num_epoches << "\tloss: " << loss.item<float>() << std::endl;
        if ((i + 1) % 2 == 0)
        {
            QVector<torch::Tensor > Ys;
            Ys.append(out);
            Ys.append(y);
            QString winTile = "Epche: " + QString::number(i + 1) + "\tloss: " + QString::number(loss.item<float>());
            drawChart(x, Ys,winTile);
        }
        
    }

4.拟合结果（打印的loss与拟合线）

?总结：上面只给出了模型的创建与训练生成，至于模型的保存与使用方法在上一篇博客已经给出。另外画拟合线的工具仍然用的Qt的QCustomplot库，上文中我自己写的drawChart（）函数如果有需要的可以通过下面链接自己下载，虽然是一个画图函数，但里面也包括了tensor与其他类型变量的转换。下一篇写Libtorch之多项式拟合.......。

《使用QCustomplot画拟合线代码》