写一个pytorch的线性回归的代码

下面是一个简单的pytorch线性回归代码的示例：

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt

# 训练数据
x_train = np.array([[3.3], [4.4], [5.5], [6.71], [6.93], [4.168], [9.779], [6.182], [7.59], [2.167], [7.042], [10.791], [5.313], [7.997], [3.1]], dtype=np.float32)
y_train = np.array([[1.7], [2.76], [2.09], [3.19], [1.694], [1.573], [3.366], [2.596], [2.53], [1.221], [2.827], [3.465], [1.65], [2.904], [1.3]], dtype=np.float32)

# 转换为tensor
x_train = torch.from_numpy(x_train)
y_train = torch.from_numpy(y_train)

# 定义线性回归模型
class LinearRegression(nn.Module):
    def __init__(self):
        super(LinearRegression, self).__init__()
        self.linear1 = nn.Linear(1, 1)
        
    def forward(self, x):
        out = self.linear1(x)
        return out

# 实例化模型
model = LinearRegression()

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 训练模型
num_epochs = 1000
for epoch in range(num_epochs):
    inputs = x_train
    target = y_train

    # 前向传播
    out = model(inputs)
    loss = criterion(out, target)

    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if (epoch+1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.6f}'.format(epoch+1, num_epochs, loss.item()))

# 可视化结果
predicted = model(x_train).detach().numpy()
plt.plot(x_train.numpy(), y_train.numpy(), 'ro', label='Original data')
plt.plot(x_train.numpy(), predicted, label='Fitted line')
plt.legend()
plt.show()

在这个示例中，我们首先定义了训练数据 `x_train` 和 `y_train`，然后将其转换为 `torch.Tensor`。接着，我们定义了一个线性回归模型 `LinearRegression`，这个模型包含一个线性层 `nn.Linear(1, 1)`。我们使用均方误差损失函数 `nn.MSELoss` 和随机梯度下降优化器 `torch.optim.SGD` 进行训练。训练完成后，我们使用 `matplotlib` 可视化了原始数据和拟合的直线。