pytorch入門2.1構建回歸模型初體驗（模型構建）

pytorch入門2.x構建回歸模型系列:
pytorch入門2.0構建回歸模型初體驗（數據生成）
pytorch入門2.1構建回歸模型初體驗（模型構建）
pytorch入門2.2構建回歸模型初體驗（開始訓練）
終於要構建模型啦。這里我們構建的是回歸模型，是用神經網絡構建的，基本結構是什么樣的呢？
你肯定聽說過，神經網絡有輸入層、隱藏層、輸出層，一般結構如下圖所示（圖片來源於網絡，侵刪）：

所以，對比我們之前生成的數據來說，形如x=3我們想得到的輸出為y=8。分別對應了上面的輸入層和輸出層，所以，在此我們要構建中間的隱藏層來模擬那個看不見的函數（我們生成數據的函數，假設是未知的，因為如果是已知的，我們直接用這個函數式子來求輸出啦。現在就是利用神經網絡強大的對函數的擬合能力，來模擬這個函數）。
下面就來建立第一個模型吧：

class LinearRegression(nn.Module):  # 繼承父類nn.Module，很多額外的、重要的東西就不用寫了，只管自己做的事情就可以（你不是要建立回歸模型么）
    def __init__(self):
        super(LinearRegression,self).__init__()  # 調用父類的初始化函數
        # 建立隱藏層，下面是三個隱藏層
        self.linear = nn.Linear(1,10)  # 輸入是一個數，所以輸出是1，中間建立10個隱藏層節點，此時，你輸出的是10個數 
        self.linear2 = nn.Linear(10,6,bias=True)  # 承接上一層的輸入，10個數，此層在融合成6個數。這里加了個偏置參數。 
        self.linear3 = nn.Linear(6,1)  # 輸出層，承接上面6個數，最終輸出一個數
        # 至此網絡的部件定義完畢

    # 網絡的部件定義好了，下面開始組裝啦，設置數據如何在網絡中流動，即前向傳播
    def forward(self,x):  #輸入的是x，就是指前面的輸入層的輸入
        # 設置數據流動過程，如果網絡非常復雜，此處要注意輸入數據的維度，經過各層之后得到的數據維度。
        x = F.relu(self.linear(x))  #首先經過一個線性層linear，然后經過一個激活函數relu
        x = F.relu(self.linear2(x))  #同上
        x = self.linear3(x)  # 最終經過最后的線性層，得到結果，結果是1維的哦
        return x  # 返回最后得到的數據

經過上面之后，一個網絡模型就定義完成了，動動腦筋想想我們構建的模型是怎么樣的呢？就是形如上面那張圖的樣子，只是中間的節點數量會變化。
模型定義好了，當然我們用的時候要實例化，我們先實例化一下，打印出來看看模型啥樣？

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)
)
'''

可以看到模型的形狀正如我們上面所介紹，網絡模型是有三個線性層，這里把激活函數省略了。
下一節，我們繼續介紹如何使用定義好的網絡模型去做回歸訓練啦。