步骤： 第一步 准备数据集
2 设计模型
3 使用自带的函数进行优化
4 训练的周期
minibatch 继承model 这里没有出现backward，是因为model中自带的有，假如自己所需要的没有，可以自己定义（使用pytorch）简单的运算可以实现的，或者你有比较好的计算方法，也可以使用fuction来继承，也是可以的。 你可能会问torch.nn.Linear(1,1)是什么意思？ 不管怎么组合，目的都是为了拼出需要的维度
# 假如不知道应该输入多少个变量，可以通过定义可变函数进行，**可以将传入进来的转换成词典 def fun(*args,**kwargs): print(args) print(kwargs) fun(1,2,3,4,x=3,y = 6)(1, 2, 3, 4) {‘x’: 3, ‘y’: 6} criterion = torch.nn.MSELoss(size_average=False)
criterion需要y和y hat就可求出损失 False不会进行均值计算
optimizer = torch.optim.SGD(model.parameters(),lr = 0.01) torch.optim.SGD是一个类 parameters会检查需要进行优化的变量 model.parameters()这个就可以直接找到 lr学习率固定（也可以在不同地方使用不同的学习率） 于是就可以得到优化器，它知道对哪些权重权重做优化 然后进行计算
然后backward进行反向传播 最后进行step，做更新
import torch import numpy as np import matplotlib.pyplot as plt # 1 数据准备，使用torch。tensor进行 x_data = torch.tensor([[1.0],[2.0],[3.0]]) y_data = torch.tensor([[2.0],[4.0],[6.0]]) # 2 解释：定义一个类，继承Module，然后进行初始化操作 class LinearModel(torch.nn.Module): def __init__(self): super(LinearModel,self).__init__() self.linear = torch.nn.Linear(1,1) # self.linear = torch.nn.Linear(1,1) 定义一个可变长的，只用输入输入和输出即可 def forward(self,x): y_pred = self.linear(x) return y_pred model = LinearModel() # 创建一个类LinearModel criterion = torch.nn.MSELoss(size_average=False) optimizer = torch.optim.SGD(model.parameters(),lr = 0.01) for epoch in range(100): y_pred = model(x_data) loss = criterion(y_pred,y_data) print(epoch,loss) # 可以看到这里出现直接可以打印的loss.那是因为在内部调用了__str__，实现的打印 optimizer.zero_grad() # 涉及到权重的计算需要清零 loss.backward() # 进行反向传播 optimizer.step() # 进行更新 # output weight and bias print('w = ',model.linear.weight.item()) print('b = ',model.linear.bias.item()) # test model x_test = torch.tensor([[4.0]]) # 1 * 1的矩阵 y_test = model(x_test) print('y_pred',y_test.data)以上就是所有的运行代码，结果如下 但是出现了一个问题 可能是函数已经更新了，按照提示进行修改，发现问题解决。 修改如下
# criterion = torch.nn.MSELoss(size_average=False) # 使用size_average出现一个userwarning，please use reduction='sum' instead. 按照提示修改如下 criterion = torch.nn.MSELoss(reduction='sum') # 应该是函数已经更新了警告问题消失 最后总结：
前面123步是为第4步进行准备 其他的梯度下降函数 参考文档 pytorch官方文档
