#引入torch

　　import torch

　　#准备数据，用Tensor张量表示

　　x_data = torch.Tensor([[1.0],[2.0],[3.0]])

　　y_data = torch.Tensor([[2.0],[4.0],[6.0]])

　　#将线性模型定义为一个类，nn的意思是神经网络neural network.所有的模型都要从nn.Module模块继承下来。

　　class LinearModel(torch.nn.Module):

　　#__init__为构造函数，初始化你的对象的时候，默认调用的函数。self是指对象自己，

　　def __init__(self):

　　#super调用父类初始化器，当多继承时，避免公共基类的重复调用

　　super(LinearModel,self).__init__()

　　#实例化，构造一个线性函数(包含权重w和偏置b)。括号里面代表输入的维度，和输出的维度。

　　self.linear = torch.nn.Linear(1,1)

　　#定义前馈过程中要进行的计算

　　def forward(self,x):

　　#可调用的对象，做的是wx+b的形式

　　y_pred = self.linear(x)

　　#返回y

　　return y_pred

　　#实例化模型，可调用。

　　model = LinearModel()

　　#构造均方差损失,设置降维求和

　　criterion = torch.nn.MSELoss(reduction='sum')

　　#用优化模块中的SGD优化模型中所有的参数，学习率为0.01

　　optimizer = torch.optim.SGD(model.parameters(),lr=0.01)

　　#循环100次枣庄做人流多少钱 http://mobile.0632dffk.com/

　　for epoch in range(100):

　　#计算y的预测值

　　y_pred = model(x_data)

　　#计算损失

　　loss = criterion(y_pred,y_data)

　　#输出循环次数和损失

　　print(epoch,loss)

　　#用优化器将梯度归零

　　optimizer.zero_grad()

　　#反向传播

　　loss.backward()

　　#step更新权重

　　optimizer.step()

　　#输出权重w,item是转换为标量，只显示数值

　　print('w = ',model.linear.weight.item())

　　#输出偏置b，item是转换为标量，只显示数值

　　print('b = ',model.linear.bias.item())

　　#设测试x的值为4，是1×1的矩阵

　　x_test = torch.Tensor([[4]])

　　#将x=4代入模型中，求y

　　y_test = model(x_test)

　　#输出y。y是1×1的矩阵后面要跟data，输出y的数值

　　print('y_pred = ',y_test.data)