两条线的基于pytorch的线性回归

在PyTorch中，线性回归是一个基础的机器学习模型，用于预测连续数值，例如房价。对于两条线的简单线性回归，我们通常不会直接处理两条独立的线，因为线性回归通常假设输入和输出之间存在单一的一次函数关系。然而，如果你想要创建一个多元线性回归模型，可以处理两个自变量的情况，你可以这样做：

首先，你需要导入必要的库：

import torch
import torch.nn as nn

然后，定义一个包含两个特征（自变量）的模型：

class LinearRegression(nn.Module):
    def __init__(self, input_dim=2):  # 输入维度，这里是两个
        super(LinearRegression, self).__init__()
        self.linear = nn.Linear(input_dim, 1)  # 输出维度是一维，因为我们预测一个连续值

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

在这个例子中，`x`是一个形状为`(batch_size, 2)`的张量，表示每批次的数据点有两列特征。

训练模型时，你需要准备数据集（包含输入特征和目标输出），并使用优化器如SGD或Adam对模型参数进行迭代更新。这里给出一个简化的训练流程示例：

model = LinearRegression()
criterion = nn.MSELoss()  # 使用均方误差作为损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 假设你已经有了数据集 (inputs, targets)
for epoch in range(num_epochs):
    optimizer.zero_grad()  # 梯度清零
    outputs = model(inputs)
    loss = criterion(outputs, targets)
    loss.backward()  # 反向传播
    optimizer.step()  # 更新参数