pytorch入门2.2构建回归模型初体验（开始训练）

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）

通过上面两个部分，咱们完成了数据生成、网络结构定义，下面咱们终于能够小试牛刀，训练模型了！
首先，咱们先定义一些训练时要用到的参数：

EPOCH = 1000  # 就是要把数据用几遍
LR = 0.1  # 优化器的学习率，相似登山的时候应该迈多大的步子。
# BATCH_SIZE=50

其次，按照定义的模型类实例化一个网络：

if torch.cuda.is_available():  # 检查机器是否支持GPU计算，若是支持GPU计算，那么就用GPU啦，快！
    model = LinearRegression().cuda()  # 这里的这个.cuda操做就是把模型放到GPU上
else:
    model = LinearRegression()  # 若是不支持，那么用cpu也能够哦
# 定义损失函数，要有个函数让模型的输出知道他作的对、仍是错，对到什么程度或者错到什么程度，这就是损失函数。
loss_fun = nn.MSELoss()  # loss function
# 定义优化器，就是告诉模型，改如何优化内部的参数、还有该迈多大的步子（学习率LR）。
optimizer = torch.optim.SGD(model.parameters(), lr=LR)  # opimizer

下面终于能够开始训练了，可是训练以前解释一下EPOCH，好比咱们有300个样本，训练的时候咱们不会把300个样本放到模型里面训练一遍，就中止了。即在模型中咱们每一个样本不会只用一次，而是会使用屡次。这300个样本到底要用多少次呢，就是EPOCH的值的意义。

for epoch in range(EPOCH):
    # 此处相似前面实例化模型是，咱们把模型放到GPU上来跑道理是同样的。此处，咱们要把变量放到GPU上，跑的快！若是不行， 那就放到CPU上吧。
    # 其中x是输入数据，y是训练集的groundtruth。为何要有y呢？由于咱们要知道咱们算的对不对，到底有多对（这里由损失函数控制）
    if torch.cuda.is_available():
        x = Variable(x_train).cuda()
        y = Variable(y_train).cuda()
    else:
        x = Variable(x_train)
        y = Variable(y_train)
    # 咱们把x丢进模型，获得输出y。哇，是否是好简单，这样咱们就获得结果了呢？可是不要高兴的太早，咱们只是把输入数据放到一个啥都不懂（参数没有训练）的模型中，获得的结果确定不许啊。不许的结果怎么办，看下一步。
    out = model(x)
    # 拿到模型输出的结果，咱们就要看看模型算的准不许，就是计算损失函数了。
    loss = loss_fun(out,y)
    # 好了好了，我已经知道模型算的准不许了，那么就该让模型本身去朝着好的方向优化了。模型，你已是个大孩子了，应该会本身优化的。
    optimizer.zero_grad()  # 在优化以前，咱们首先要清空优化器的梯度。由于每次循环都要靠这个优化器呢，不能翻旧帐，就只算此次咱们怎么优化。
    loss.backward()  # 优化开始，首先，咱们要把算出来的偏差、损失倒着传回去。（是大家这些模块给我算的这个值，如今这个值有错误，错了这么多，返回给大家，大家本身看看本身错哪了）

    optimizer.step()  # 按照优化器的方式，一步一步优化吧。

    if (epoch+1)%100==0:  # 中间每循环100次，偷偷看看结果咋样。
        print('Epoch[{}/{}],loss:{:.6f}'.format(epoch+1,EPOCH,loss.data.item()))

上面咱们训练了1000（EPOCH=1000）次，应该差很少了。是时候看看训练的咋样啦！其实咱们已经知道训练的咋样了，就是上面输出的损失值，只不过是在训练集上的。
下面咱们就要看看在测试集上表现咋样呢？

model.eval()  # 开启模型的测试模式
# 拿到测试集中x的值，放到GPU上
if  torch.cuda.is_available():
    x = x_test.cuda()
#经过把x的值输入模型，获得预测结果
predict = model(x)
# 那预测结果的值取出来，由于预测结果是封装好的，如今h只要它的值。
predict = predict.cpu().data.numpy()
#画个图看看，到底拟合成啥样了？
plt.plot(x.cpu().numpy(),y_test.cpu().numpy(),'ro',label='original data')
plt.plot(sorted(x.cpu().numpy()),sorted(predict),label='fitting line')
plt.show()

看看图，结果还凑合吧，要想结果更好须要进一步对模型的结构、超参数进行设置，咱们以后在学。
到此为止，咱们用pytorch就已经创建完，而且训练完一个线性回归模型了，咱们能够回顾下，多看几遍，仔细回想一下这里面到底发生了什么。
完整的代码地址以下：github