PyTorch之线性回归

线性回归是一种经典的机器学习算法，用于建立变量之间的线性关系，从而预测连续型变量的值。在PyTorch中，可以使用torch.nn模块来实现线性回归。

以下是一个简单的例子，展示如何使用PyTorch实现线性回归：

首先，导入必要的库：

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt

接下来，我们生成一些随机的数据，用于训练模型：

#生成随机数据
np.random.seed(0)
X = np.random.rand(100, 1)
y = 2 + 3*X + 0.2*np.random.randn(100, 1)

然后，我们定义一个线性回归模型，该模型由一个全连接层组成：

#定义线性回归模型
class LinearRegression(nn.Module):
    def __init__(self, input_dim, output_dim):
        super(LinearRegression, self).__init__()
        self.linear = nn.Linear(input_dim, output_dim)

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

#实例化模型
model = LinearRegression(1, 1)

在训练模型之前，我们需要定义损失函数和优化器：

#定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

接下来，我们进行模型训练：

#训练模型
epochs = 1000
for epoch in range(epochs):
    inputs = torch.from_numpy(X).float()
    labels = torch.from_numpy(y).float()

    #前向传播
    outputs = model(inputs)

    #计算损失
    loss = criterion(outputs, labels)

    #反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    #每100个epoch打印一次损失
    if (epoch+1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, epochs, loss.item()))

最后，我们可以使用训练好的模型来进行预测：

#使用模型进行预测
predicted = model(torch.from_numpy(X).float()).data.numpy()

#绘制预测结果和真实结果的散点图
plt.plot(X, y, 'ro', label='Original data')
plt.plot(X, predicted, label='Fitted line')
plt.legend()
plt.show()

这样，我们就完成了一个简单的线性回归模型的实现。