以下代码编写环境为：
编译器PyCharm 2019.2 (Community Edition)
pytorch版本为torch 1.1.0
torchvision 0.3.0
（可能今后大部分的环境都是这样）
以下代码将展示如何构建一个简单的线性回归模型，从中可以看到一些惯用方法，参数的作用，以及编码习惯。

• 第一步 生成数据

首先为了体现拟合效果，我们生成一些假的数据。

x = Variable(torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1))
#torch.linspace返回一个1维张量，包含在区间start 和 end 上均匀间隔的steps个点。 输出1维张量的长度为steps。
#torch.unsqueeze增加维度

y = Variable(x * 2 + 0.2 + torch.rand(x.size()))

如果显示出来就是这样：y=2*x+0.2的散点图

• 第二步 构建模型

class LinearRegression(torch.nn.Module):#继承Module
    def __init__(self):
        super(LinearRegression, self).__init__()#继承父类构造函数
        self.linear = torch.nn.Linear(1, 1)#线性输出

    def forward(self, x):#前向传播
        out = self.linear(x)
        return out

第三步 训练模型
在训练之前有一些参数需要确定。

model = LinearRegression()#实例化对象

epoch_n = 1000#迭代次数
learning_rate = 1e-2#学习率

criterion = torch.nn.MSELoss()#损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)#优化函数

前三个没啥好说的。torch.nn.MSELoss()用于计算真实值与预测值之间的均方误差，公式表示为：

若给参数的size_average赋值为False，则结果不会除以n，即只有差的平方和。
**torch.optim.SGD()**为随机梯度下降。
以上两个参数可以自由选择，但不同的应用场景使用合适的函数的可以大大提高性能。

for epoch in range(epoch_n):

    y_pred= model(x)
    loss = criterion(y_pred, y)

    optimizer.zero_grad()#清空上一步参数值
    loss.backward()#反向传播
    optimizer.step()#更新参数
    if epoch % 5 == 0:
        # plot and show learning process
        matplotlib.pyplot.cla()
        matplotlib.pyplot.scatter(x.data.numpy(), y.data.numpy())
        matplotlib.pyplot.plot(x.data.numpy(), y_pred.data.numpy(), 'r-',lw=5)
        matplotlib.pyplot.text(0.5, 0,'Loss=%.4f' % loss.data.item(), fontdict={'size': 20, 'color':  'red'})
        matplotlib.pyplot.pause(0.1)

运行出来应该是动态的，只是我不会做gif

完整的代码如下：

import torch
import torch.nn
import numpy
import matplotlib.pyplot
from torch.autograd import Variable

x = Variable(torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1))
#torch.linspace返回一个1维张量，包含在区间start 和 end 上均匀间隔的steps个点。 输出1维张量的长度为steps。
#torch.unsqueeze增加维度

y = Variable(x * 2 + 0.2 + torch.rand(x.size()))

#matplotlib.pyplot.scatter(x.data.numpy(),y.data.numpy())
#matplotlib.pyplot.show()

class LinearRegression(torch.nn.Module):#继承Module
    def __init__(self):
        super(LinearRegression, self).__init__()#继承父类构造函数
        self.linear = torch.nn.Linear(1, 1)#线性输出

    def forward(self, x):#前向传播
        out = self.linear(x)
        return out


model = LinearRegression()#实例化对象

epoch_n = 1000#迭代次数
learning_rate = 1e-2#学习率

criterion = torch.nn.MSELoss()#损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)#优化函数

for epoch in range(epoch_n):

    y_pred= model(x)
    loss = criterion(y_pred, y)

    optimizer.zero_grad()#清空上一步参数值
    loss.backward()#反向传播
    optimizer.step()#更新参数
    if epoch % 5 == 0:
        # plot and show learning process
        matplotlib.pyplot.cla()
        matplotlib.pyplot.scatter(x.data.numpy(), y.data.numpy())
        matplotlib.pyplot.plot(x.data.numpy(), y_pred.data.numpy(), 'r-',lw=5)
        matplotlib.pyplot.text(0.5, 0,'Loss=%.4f' % loss.data.item(), fontdict={'size': 20, 'color':  'red'})
        matplotlib.pyplot.pause(0.1)

本文参考资料链接：pytorch中文网
大佬的博客
本人刚开始接触这个，如有错误请评论留言，或qq：1932859223