使用pytorch写一个线性回归分类器

好的，下面是一个简单的线性回归分类器的代码实现：

import torch
import torch.nn as nn
import torch.optim as optim

# 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

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

# 定义训练数据和标签
x_train = torch.tensor([[1.0], [2.0], [3.0], [4.0]])
y_train = torch.tensor([[2.0], [4.0], [6.0], [8.0]])

# 定义模型和训练
model = LinearRegression(1, 1)

for epoch in range(1000):
    # 前向传播
    y_pred = model(x_train)

    # 计算损失
    loss = criterion(y_pred, y_train)

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

    if (epoch + 1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 1000, loss.item()))

# 测试模型
x_test = torch.tensor([[5.0], [6.0], [7.0]])
y_test = model(x_test)
print('预测结果为：', y_test)

在这个例子中，我们使用了 PyTorch 中的 nn.Module 类来定义了一个简单的线性回归模型。然后，我们定义了损失函数和优化器，并用训练数据和标签训练模型。在训练过程中，我们首先进行前向传播，然后计算损失，并使用反向传播和优化器来更新模型参数。最后，我们用测试数据进行模型测试，得出了预测结果。