用paddle实现的线性回归的实例

在PaddlePaddle（简称Paddle）这个深度学习框架中，线性回归是一个基础而重要的示例，它用于预测数值型数据的简单模型。以下是使用PaddlePaddle实现线性回归的一个简短步骤：

首先，你需要安装PaddlePaddle库。如果你还没有安装，可以使用pip install paddlepaddle命令。

import paddle
from paddle.nn import Linear

# 创建线性层（等同于传统机器学习中的权重矩阵和偏置项）
model = Linear(in_features=1, out_features=1)

# 假设我们有训练数据 X (输入特征) 和 y (标签)
X = paddle.to_tensor([[1.0], [2.0], [3.0]])  # 输入数据通常是一张形状为[num_samples, num_features]的二维tensor
y = paddle.to_tensor([[2.0], [4.0], [6.0]])  # 标签数据同样是一维tensor

# 定义损失函数和优化器
loss_fn = paddle.nn.MSELoss()  # 使用均方误差作为损失函数
optimizer = paddle.optimizer.SGD(learning_rate=0.01)  # 使用随机梯度下降优化器

# 训练过程
for epoch in range(num_epochs):  # 可以设置循环次数
    # 前向传播
    y_pred = model(X)
    
    # 计算并反向传播损失
    loss = loss_fn(y_pred, y)
    loss.backward()
    
    # 更新模型参数
    optimizer.step()
    optimizer.zero_grad()

# 模型训练完成后，你可以使用模型进行预测
new_data = paddle.to_tensor([[4.0]])
predicted_value = model(new_data)
print("预测值:", predicted_value.numpy())