1> nn.Module （用于构建模型的底层逻辑）

介绍

nn.Module 是 torch.nn 中的一个类，是pytorch中自定义网络的基类

1. __init__需要调用super方法，继承父类属性和方法
2. forward方法必须实现，用来定义网络的向前计算的过程

例：y = w*x + b 的拟合模型

构建

from torch import nn
class Lr(nn.Module): #构建模型逻辑def __init__(self): #定义该层super(Lr,self).__init__() #继承父类的init参数self.linear = nn.Linear( aa , bb ) #该层网络的输入数据的维度为aa,输出数据的维度为bbdef forward(self,x): #即 如何由输入的数据x得到输出的结果outout = self.linear(x)return out

使用

#实例化模型
model = Lr()
#传入数据，计算结果
pred_y = model(x)

2> 优化器类 optimizer

介绍

优化器是torch为我们封装的用来更新参数的方法

设定优化器

1. torch.optim.SGD(参数, lr=学习率)
   SGD（stochastic gradient descent, 随机梯度下降）
   ”参数“指： 模型中需要被更新的参数;
   ”参数“一般用model.parameters()函数来获取，会获取所有requires_grad=True的参数
   ”学习率“：默认为0.001

2. torch.optim.Adam(参数, lr=学习率)

使用优化器

1. 步骤：
step 1. 优化器实例化
step 2. 将所有参数的梯度的值，初始化为0
step 3. 反向传播，更新梯度的值
step 4. 参数值被更新
2. 代码样例：

import optim from torch
#step 1. 优化器实例化
optimizer = optim.SGD(model.parameters(),lr=1e-3)
#待更新参数为model.parameters()
#学习率learning rate = 1e-3
#step 2. 将所有参数的梯度的值，初始化为0
optimizer.zero_grad() #参数归零函数
#step 3. 反向传播，更新梯度的值
loss.backward()
#step 4. 更新参数值
optimizer.step()

优化器的算法介绍

1> 梯度下降法

(1) BGD 梯度下降法 (batch gradient descent)

每次迭代都将所有样本送入，将全局样本的均值作为参考。
简称为：全局优化
缺点： 每次都要跑全部样本，速度慢

(2) SGD 随机梯度下降法(Stochastic gradient descent)

每次从所有样本中，随机抽取一个样本进行学习
优点： 解决了BGD算法 速度慢的问题
缺点： 可能被某个单个异常数据点影响
Python的torch包中的API调用方法： torch.optim.SGD()

(3) MBGD 小批量梯度下降法(Mini-batch gradient descent)

介于(1)和(2)之间的算法，每次选取一组样本进行学习

梯度下降法的劣势：

过于依赖于合适的学习率。
学习率较小时，会导致收敛速度慢；
学习率较大时，会导致有可能跳过最优解，在最值点左右摆动幅度较大

2> AdaGrad

采取动态调整学习率的方法，解决梯度下降法的劣势
【个人理解：就是把 爬山算法 换成了 模拟退火算法 】

3> 动量法 和 RMSProp算法

采取动态调整梯度的移动指数，解决梯度下降法的劣势
【个人理解：也是把 爬山算法 换成了 模拟退火算法 】

4> Adam算法

相当于 AdaGrad法 和 RMSProp法 的结合
优势 更快达到最优解
劣势 有可能学习得更慢（因为最优解很难找到，而前面的算法不一定会找到最优解，而是误差较大的最优解）
Python的torch包中的API调用方法： torch.optim.Adam()

这下就可以看懂第一章的线性回归代码的意思是什么了