用pytorch写一个回归的深度学习模型

好的，以下是一个简单的以 PyTorch 实现的回归模型：

import torch
import torch.nn as nn

class RegressionModel(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(RegressionModel, self).__init__()
        self.fc1 = nn.Linear(input_dim, hidden_dim)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_dim, output_dim)
        
    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

上面的代码定义了一个简单的两层全连接神经网络用于回归任务。模型的输入维度为 `input_dim`，隐藏层维度为 `hidden_dim`，输出维度为 `output_dim`。模型的前向传播过程包含一个全连接层，激活函数 ReLU，和另一个全连接层。

现在我们可以用这个模型来训练数据。

# 定义输入数据和标签
x_train = torch.tensor([[1.0], [2.0], [3.0], [4.0]])
y_train = torch.tensor([[2.0], [4.0], [6.0], [8.0]])

# 初始化模型
model = RegressionModel(1, 10, 1)

# 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
for epoch in range(1000):
    # 前向传播
    outputs = model(x_train)
    # 计算损失
    loss = criterion(outputs, y_train)
    # 反向传播
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    # 打印损失
    if (epoch+1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 1000, loss.item()))

上面的代码定义了一个简单的回归任务，其中输入数据为 `[1, 2, 3, 4]`，对应的标签为 `[2, 4, 6, 8]`。模型用随机参数初始化，使用均方误差（MSE）作为损失函数，使用随机梯度下降（SGD）作为优化器进行参数更新。随着训练的进行，损失会逐渐减小。