pytorch之线性回归答案

PyTorch中的线性回归是一个简单的机器学习模型，用于预测连续变量。它通常作为深度学习入门的例子，因为它的计算流程直观且易于理解。以下是使用PyTorch实现线性回归的基本步骤：

1. 导入必要的库：

import torch
import torch.nn as nn

2. 定义数据结构和超参数：

# 假设我们有输入特征x和对应的标签y
X = torch.tensor([[1], [2], [3], [4]], dtype=torch.float32)
Y = torch.tensor([[2], [4], [6], [8]], dtype=torch.float32)

learning_rate = 0.01
num_epochs = 1000

3. 创建线性模型（nn.Linear）：

model = nn.Linear(1, 1)  # 输入维度1，输出维度1（假设是单变量线性回归）

4. 定义损失函数（通常使用均方误差MSE）和优化器（如SGD）：

criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

5. 训练循环：

for epoch in range(num_epochs):
    # 前向传播
    y_pred = model(X)
    
    # 求损失
    loss = criterion(y_pred, Y)
    
    # 反向传播和优化
    optimizer.zero_grad()  # 清零梯度
    loss.backward()  # 计算梯度
    optimizer.step()  # 更新模型参数

    # 打印训练信息（例如每100次迭代打印一次）
    if (epoch + 1) % 100 == 0:
        print(f"Epoch {epoch+1}, Loss: {loss.item():.4f}")

训练完成后，`model`的权重将包含最佳拟合的参数，可以用来对新的输入数据进行预测。