pytorch入門2.x構建迴歸模型系列: [pytorch入門2.0構建迴歸模型初體驗（資料生成）](https://www.cnblogs.com/datasnail/p/13082298.html) [pytorch入門2.1構建迴歸模型初體驗（模型構建）](https://www.cnblogs.com/datasnail/p/13088432.html) [pytorch入門2.2構建迴歸模型初體驗（開始訓練）](https://www.cnblogs.com/datasnail/p/13088705.html) 經過上面兩個部分，我們完成了資料生成、網路結構定義，下面我們終於可以小試牛刀，訓練模型了！ 首先，我們先定義一些訓練時要用到的引數： ```python EPOCH = 1000 # 就是要把資料用幾遍 LR = 0.1 # 優化器的學習率，類似爬山的時候應該邁多大的步子。 # BATCH_SIZE=50 ``` 其次，按照定義的模型類例項化一個網路： ```python if torch.cuda.is_available(): # 檢查機器是否支援GPU計算，如果支援GPU計算，那麼就用GPU啦，快！ model = LinearRegression().cuda() # 這裡的這個.cuda操作就是把模型放到GPU上 else: model = LinearRegression() # 如果不支援，那麼用cpu也可以哦 # 定義損失函式，要有個函式讓模型的輸出知道他做的對、還是錯，對到什麼程度或者錯到什麼程度，這就是損失函式。 loss_fun = nn.MSELoss() # loss function # 定義優化器，就是告訴模型，改如何優化內部的引數、還有該邁多大的步子（學習率LR）。 optimizer = torch.optim.SGD(model.parameters(), lr=LR) # opimizer ``` 下面終於可以開始訓練了，但是訓練之前解釋一下EPOCH，比如我們有300個樣本，訓練的時候我們不會把300個樣本放到模型裡面訓練一遍，就停止了。即在模型中我們每個樣本不會只用一次，而是會使用多次。這300個樣本到底要用多少次呢，就是EPOCH的值的意義。 ```python for epoch in range(EPOCH): # 此處類似前面例項化模型是，我們把模型放到GPU上來跑道理是一樣的。此處，我們要把變數放到GPU上，跑的快！如果不行， 那就放到CPU上吧。 # 其中x是輸入資料，y是訓練集的groundtruth。為什麼要有y呢？因為我們要知道我們算的對不對，到底有多對（這裡由損失函式控制） if torch.cuda.is_available(): x = Variable(x_train).cuda() y = Variable(y_train).cuda() else: x = Variable(x_train) y = Variable(y_train) # 我們把x丟進模型，得到輸出y。哇，是不是好簡單，這樣我們就得到結果了呢？但是不要高興的太早，我們只是把輸入資料放到一個啥都不懂（引數沒有訓練）的模型中，得到的結果肯定不準啊。不準的結果怎麼辦，看下一步。 out = model(x) # 拿到模型輸出的結果，我們就要看看模型算的準不準，就是計算損失函數了。 loss = loss_fun(out,y) # 好了好了，我已經知道模型算的準不準了，那麼就該讓模型自己去朝著好的方向優化了。模型，你已經是個大孩子了，應該會自己優化的。 optimizer.zero_grad() # 在優化之前，我們首先要清空優化器的梯度。因為每次迴圈都要靠這個優化器呢，不能翻舊賬，就只算這次我們怎麼優化。 loss.backward() # 優化開始，首先，我們要把算出來的誤差、損失倒著傳回去。（是你們這些模組給我算的這個值，現在這個值有錯誤，錯了這麼多，返回給你們，你們自己看看自己錯哪了） optimizer.step() # 按照優化器的方式，一步一步優化吧。 if (epoch+1)%100==0: # 中間每迴圈100次，偷偷看看結果咋樣。 print('Epoch[{}/{}],loss:{:.6f}'.format(epoch+1,EPOCH,loss.data.item())) ``` 上面我們訓練了1000（EPOCH=1000）次，應該差不多了。是時候看看訓練的咋樣啦！其實我們已經知道訓練的咋樣了，就是上面輸出的損失值，只不過是在訓練集上的。 下面我們就要看看在測試集上表現咋樣呢？ ```python model.eval() # 開啟模型的測試模式 # 拿到測試集中x的值，放到GPU上 if torch.cuda.is_available(): x = x_test.cuda() #通過把x的值輸入模型，得到預測結果 predict = model(x) # 那預測結果的值取出來，因為預測結果是封裝好的，現在h只要它的值。 predict = predict.cpu().data.numpy() #畫個圖看看，到底擬合成啥樣了？ 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() ```  看看圖，結果還湊合吧，要想結果更好需要進一步對模型的結構、超引數進行設定，我們之後在學。 到此為止，我們用pytorch就已經建立完，並且訓練完一個線性迴歸模型了，我們可以回顧下，多看幾遍，仔細回想一下這裡面到底發生了什麼。 完整的程式碼地址如下：[github](https://github.com/dataSnail/blogCode/blob/master/pytorch/linea