多维线性回归pytorch

多维线性回归是指在有多个自变量的情况下，使用线性模型来拟合数据。在PyTorch中，我们可以使用神经网络来实现多维线性回归。

首先，我们需要导入必要的库和模块：

import torch
import torch.nn as nn
import torch.optim as optim

接下来，我们定义一个多维线性回归模型。模型将输入的自变量进行线性变换，并输出预测值。

class LinearRegression(nn.Module):
    def __init__(self, input_size, output_size):
        super(LinearRegression, self).__init__()
        self.linear = nn.Linear(input_size, output_size)

    def forward(self, x):
        out = self.linear(x)
        return out

然后，我们定义训练函数，用于训练模型。

def train(model, inputs, labels, num_epochs, learning_rate):
    criterion = nn.MSELoss()
    optimizer = optim.SGD(model.parameters(), lr=learning_rate)

    for epoch in range(num_epochs):
        inputs = torch.Tensor(inputs)
        labels = torch.Tensor(labels)

        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        if (epoch+1) % 100 == 0:
            print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

最后，我们可以使用定义好的模型和训练函数进行训练和预测。

# 训练数据
inputs = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
labels = [3, 6, 9]

# 创建模型
model = LinearRegression(input_size=3, output_size=1)

# 训练模型
train(model, inputs, labels, num_epochs=1000, learning_rate=0.001)

# 预测数据
test_input = torch.Tensor([[2, 3, 4]])
predicted_output = model(test_input)
print('Predicted Output:', predicted_output.item())

以上代码演示了如何使用PyTorch实现多维线性回归。希望能对你有所帮助！