paddle实现线性回归代码

在PaddlePaddle（简称Paddle）框架中，实现线性回归是一个基础任务，它主要用于演示如何创建模型、定义损失函数和优化器。以下是一个简单的Python代码示例，用于实现单层线性回归：

import paddle

# 定义模型参数
W = paddle.Parameter(initializer=paddle.nn.initializer.Constant(value=0.0))
b = paddle.Parameter(initializer=paddle.nn.initializer.Constant(value=0.0))

def model(x):
    return x.matmul(W) + b

# 假设我们有输入数据和标签数据
x_data = paddle.to_tensor([[1.0], [2.0], [3.0]])  # 输入特征
y_label = paddle.to_tensor([[2.0], [4.0], [6.0]])  # 标签值

# 定义损失函数（均方误差）
loss_fn = paddle.nn.MSELoss()

# 计算预测值和损失
pred = model(x_data)
loss = loss_fn(pred, y_label)

# 定义优化器（如SGD或Adam）
optimizer = paddle.optimizer.SGD(learning_rate=0.01, parameters=model.parameters())

# 梯度下降更新参数
optimizer.minimize(loss)

# 打印初始损失
print("Initial Loss:", loss.numpy())

# 这只是一个简单循环的开始，通常你会在训练循环中多次运行这一步骤

在这个例子中，我们首先初始化权重和偏置参数，然后定义模型计算输入和权重的乘积加偏置。接着，我们计算预测值和实际标签之间的均方误差作为损失。最后，通过设置优化器并调用`minimize`方法执行梯度下降。