头歌pytorch之线性回归

头歌(PyTorch)是一个广泛使用的开源深度学习框架，主要用于构建和训练神经网络模型。在线性回归这个基础的机器学习任务中，PyTorch通过张量操作极其方便。线性回归的目标是最小化预测值与真实值之间的差距，通常表示为均方误差(MSE)。

在PyTorch中，你可以这样做：

import torch
from torch import nn

# 创建数据集 (假设x_data是输入特征，y_data是目标标签)
x_data = torch.tensor([[0], [1], [2], [3], [4]])
y_data = torch.tensor([1, 2, 3, 4, 5])

# 定义线性回归模型
model = nn.Linear(in_features=1, out_features=1)

# 求模型参数并初始化
weights = model.weight.data
bias = model.bias.data

# 假设损失函数是MSE
loss_fn = nn.MSELoss()

# 训练循环
learning_rate = 0.01
for epoch in range(1000):
    # 前向传播
    y_pred = torch.dot(x_data, weights) + bias
    loss = loss_fn(y_pred, y_data)

    # 反向传播和优化
    loss.backward()
    with torch.no_grad():
        weights -= learning_rate * weights.grad
        bias -= learning_rate * bias.grad
        # 清零梯度，防止累加
        weights.grad.zero_()
        bias.grad.zero_()

print(f"权重: {weights.item()}, 偏置: {bias.item()}")

在这个例子中，我们创建了一个简单的线性模型，并通过梯度下降法更新权重和偏置以最小化损失。