pytorch实现最简单的线性回归

import torch
import time
from torch.autograd import Variable
import torch.nn.functional as F

x = torch.unsqueeze(torch.linspace(-2, 2, 10), dim=1)
y = x.pow(2) + 0.2 * torch.rand(x.size())
#math.pow(100, 2) :  10000.0
#t.unsqueeze(di)     //在di个维度处升维
#t=T.rand(t.size())    //均匀分布
#t=T.randn(t.size())   //标准正态分布
#t=T.linspace(m,n,step_num)  //[m,n]中以m为首项，n为末项，均分区间为step_num段
x, y = Variable(x), Variable(y)
#Variable就是 变量 的意思。实质上也就是可以变化的量，区别于int变量，它是一种可以变化的变量，这正好就符合了反向传播，参数更新的属性
#把鸡蛋放到篮子里, requires_grad是参不参与误差反向传播, 要不要计算梯度
#tensor不能反向传播，variable可以反向传播。
class Net(torch.nn.Module):
    def __init__(self, n_features, n_hidden, n_output):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(n_features, n_hidden)
        self.predict = torch.nn.Linear(n_hidden, n_output)

    def forward(self, x):
        x = F.relu(self.hidden(x))
        x = self.predict(x)
        return x
        
model=Net(1,1,1)
optimizer = torch.optim.SGD(model.parameters(), lr=0.3)
loss_func = torch.nn.MSELoss()

for t in range(10):
    prediction = model(x)
    loss = loss_func(prediction,y)
    print(loss)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

一般神经网络的类都继承自torch.nn.Module，init()和forward()两个函数是自定义类的主要函数。在__init__()中都要添加一句super(Net, self).init()，这是固定的标准写法，用于继承父类的初始化函数。init()中只是对神经网络的模块进行了声明，真正的搭建是在forwad()中实现。自定义类中的成员都通过self指针来进行访问，所以参数列表中都包含了self。
训练网络之前我们需要先定义优化器和损失函数。torch.optim包中包括了各种优化器，这里我们选用最常见的SGD作为优化器。因为我们要对网络的参数进行优化，所以我们要把网络的参数net.parameters()传入优化器中，并设置学习率（一般小于1）。
由于这里是回归任务，我们选择torch.nn.MSELoss()作为损失函数。
由于优化器是基于梯度来优化参数的，并且梯度会保存在其中。所以在每次优化前要通过optimizer.zero_grad()把梯度置零，然后再后向传播及更新。

torch.nn.module
定义自已的网络：
需要继承nn.Module类，并实现forward方法。
一般把网络中具有可学习参数的层放在构造函数__init__()中，
不具有可学习参数的层(如ReLU)可放在构造函数中，也可不放在构造函数中(而在forward中使用nn.functional来代替)
只要在nn.Module的子类中定义了forward函数，backward函数就会被自动实现(利用Autograd)。
在forward函数中可以使用任何Variable支持的函数，毕竟在整个pytorch构建的图中，是Variable在流动。还可以使用if,for,print,log等python语法.