pytorch入门2.1构建回归模型初体验（模型构建）

pytorch入门2.x构建回归模型系列:
pytorch入门2.0构建回归模型初体验（数据生成）
pytorch入门2.1构建回归模型初体验（模型构建）
pytorch入门2.2构建回归模型初体验（开始训练）
终于要构建模型啦。这里咱们构建的是回归模型，是用神经网络构建的，基本结构是什么样的呢？
你确定据说过，神经网络有输入层、隐藏层、输出层，通常结构以下图所示（图片来源于网络，侵删）：

因此，对比咱们以前生成的数据来讲，形如x=3咱们想获得的输出为y=8。分别对应了上面的输入层和输出层，因此，在此咱们要构建中间的隐藏层来模拟那个看不见的函数（咱们生成数据的函数，假设是未知的，由于若是是已知的，咱们直接用这个函数式子来求输出啦。如今就是利用神经网络强大的对函数的拟合能力，来模拟这个函数）。
下面就来创建第一个模型吧：

class LinearRegression(nn.Module):  # 继承父类nn.Module，不少额外的、重要的东西就不用写了，只管本身作的事情就能够（你不是要创建回归模型么）
    def __init__(self):
        super(LinearRegression,self).__init__()  # 调用父类的初始化函数
        # 创建隐藏层，下面是三个隐藏层
        self.linear = nn.Linear(1,10)  # 输入是一个数，因此输出是1，中间创建10个隐藏层节点，此时，你输出的是10个数 
        self.linear2 = nn.Linear(10,6,bias=True)  # 承接上一层的输入，10个数，此层在融合成6个数。这里加了个偏置参数。 
        self.linear3 = nn.Linear(6,1)  # 输出层，承接上面6个数，最终输出一个数
        # 至此网络的部件定义完毕

    # 网络的部件定义好了，下面开始组装啦，设置数据如何在网络中流动，即前向传播
    def forward(self,x):  #输入的是x，就是指前面的输入层的输入
        # 设置数据流动过程，若是网络很是复杂，此处要注意输入数据的维度，通过各层以后获得的数据维度。
        x = F.relu(self.linear(x))  #首先通过一个线性层linear，而后通过一个激活函数relu
        x = F.relu(self.linear2(x))  #同上
        x = self.linear3(x)  # 最终通过最后的线性层，获得结果，结果是1维的哦
        return x  # 返回最后获得的数据

通过上面以后，一个网络模型就定义完成了，动动脑筋想一想咱们构建的模型是怎么样的呢？就是形如上面那张图的样子，只是中间的节点数量会变化。
模型定义好了，固然咱们用的时候要实例化，咱们先实例化一下，打印出来看看模型啥样？

model = LinearRegression()
print(model)
'''
===output===
LinearRegression(
  (linear): Linear(in_features=1, out_features=10, bias=True)
  (linear2): Linear(in_features=10, out_features=6, bias=True)
  (linear3): Linear(in_features=6, out_features=1, bias=True)
)
'''

能够看到模型的形状正如咱们上面所介绍，网络模型是有三个线性层，这里把激活函数省略了。
下一节，咱们继续介绍如何使用定义好的网络模型去作回归训练啦。