pytorch线性回归方法模拟sijn(x)

以下是使用PyTorch实现的线性回归模型来拟合sin(x)函数的示例代码：

import torch
import matplotlib.pyplot as plt

# 定义训练数据
x = torch.unsqueeze(torch.linspace(-2 * np.pi, 2 * np.pi, 200), dim=1)
y = torch.sin(x) + 0.2 * torch.rand(x.size())

# 定义模型
class LinearRegression(torch.nn.Module):
    def __init__(self):
        super(LinearRegression, self).__init__()
        self.linear = torch.nn.Linear(1, 1)
        
    def forward(self, x):
        out = self.linear(x)
        return out

model = LinearRegression()

# 定义损失函数和优化器
criterion = torch.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
    targets = y
    
    # 前向传播
    outputs = model(inputs)
    loss = criterion(outputs, targets)
    
    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    if (epoch+1) % 100 == 0:
        print("Epoch [{}/{}], Loss: {:.4f}".format(epoch+1, num_epochs, loss.item()))

# 可视化拟合结果
model.eval()
predicted = model(x).detach().numpy()

plt.plot(x, y, 'ro', label='Original data')
plt.plot(x, predicted, label='Fitted line')
plt.legend()
plt.show()

在这个示例中，我们定义了一个带有一个线性层的简单线性回归模型，使用均方误差损失函数和随机梯度下降优化器进行训练。我们使用PyTorch的自动微分机制来计算梯度，并使用优化器来更新模型参数。最后，我们使用训练好的模型来预测sin(x)函数，并将预测结果可视化。