下面以线性模型为例，阐述一下构建模型训练的主要步骤。
步骤：
数据准备
构建模型
构建损失函数和优化器
训练周期（前馈（计算损失）、反馈（计算梯度）、更新权重）
1 数据准备
有两种方式加载数据，第一种是把所有数据都加载到init里面，也就是读取到内存里面，然后每次使用getitem时，返回对应的项，这种方法适用于数据量不大的情况，如果是图像数据集，则需要采用别的方式，比如利用Dataset和DataLoader。
import torch from torch.utils.data import Dataset from torch.utils.data import DataLoader class DiabetesDataset(Dataset):#继承Dataset这个抽象类 def __init__(self): pass def __getitem__(self,index):#实现这个方法，可以支持下标操作 pass def __len__(self):#实现这个方法，可以返回数据集的数量 pass dataset = DiabetesDataset() train_loader = DataLoader(dataset=dataset,batch_size=32,shuffle=True,num_workers=2)DataLoader最常见设置的四个参数：
数据集对象
batch-size的大小
shuffle是否要打乱数据集
num_workers读取的数据时是否要使用多线程，要使用几个多线程
如果在windows中设置num_workers可能会出现运行时的错误，解决的方法是将使用loder迭代的代码封装起来（例如使用函数封装起来，而不是直接暴露在外）（pytorch0.4会有这样的问题高版本未知）
2 构建模型
使用pytorch重点不是各种求导运算，重点时构造计算图。
z=wx+b
在训练时，x和z是已知的，权重w和偏置b是我们要求的，因为我们不能确定w和b张量的形状，所以它的形状是通过z和x来确定的。
比如z是3x1的张量，x是4x1的张量，那我们就可以知道w是3x4的张量，b是3x1的张量
class LinearModel(torch.nn.Module): def __init__(self): super(LinearModel,self).__init__()#调用父类的构造函数 self.linear = torch.nn.Linear(1,1)#构造对象，它自动帮我们构造权重和偏置 def forward(self,x):#这个名称是固定的，前向传播必须这么写 y_pred = self.linear(x) return y_pred model = LinearModel()#模型实例化3 构建损失函数和优化器
PyTorch提供了很多损失函数和优化器，可以根据模型和需要自行选择。
cirterion = torch.nn.MSELoss(size_average = False)#损失函数，第一个参数是是否要求均值 optimizer = torch.optim.SGD(model.parameters(), lr=0.01)#优化器，第一个参数是找到模型的所有参数，第二个参数是设置学习率4 写训练周期
训练周期的格式也是固定的，先将数据添加到我们构建的模型，然后计算损失（前馈过程），然后清零梯度，然后进行反向传播，更新权重（反馈和更新都是直接调用内置函数的）。
如果不使用mini-batch，那么可以直接写：
for epoch in range(100): y_pred = model(x_data)#将数据加到模型，计算模型的y loss = cirterion(y_pred,y_data)#计算损失 print(epoch,loss) optimizer.zero_grad()#清零梯度 loss.backward()#反向传播 optimizer.step()#更新权重如果使用mini-batch，训练周期使用嵌套循环：
for epoch in range(100): for i,data in enumerate(train_loader,0): inputs, labels = data#会自动转换为张量 y_pred = model(inputs)#前馈 loss = criterion(y_pred,labels) print(epoch,i,loss.item()) optimizer.zero_grad()#反向传播 loss.backward() optimizer.step()#更新大部分模型训练的步骤就是以上四步，就算是多层模型，需要大规模修改的地方其实就是模型构造，训练周期也可根据需要修改，但是基本步骤是不变的（前馈计算损失，反馈更新权重）。
)
