pytorch 实现多项式回归

PyTorch实现多项式回归的基本步骤如下：

1. 导入所需的包：

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

2. 准备训练数据：

x = torch.tensor([[1.0], [2.0], [3.0], [4.0]])  # 输入特征
y = torch.tensor([[0.5], [1.0], [2.0], [3.0]])  # 目标值

3. 定义多项式回归模型：

class PolynomialRegression(nn.Module):
    def __init__(self, degree):
        super(PolynomialRegression, self).__init__()
        self.degree = degree
        self.fc = nn.Linear(degree + 1, 1)

    def forward(self, x):
        x_poly = x.pow(torch.arange(self.degree + 1).float())
        return self.fc(x_poly)

model = PolynomialRegression(degree)

4. 定义损失函数和优化器：

criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

5. 训练模型：

num_epochs = 1000  # 迭代次数

for epoch in range(num_epochs):
    # 前向传播
    outputs = model(x)
    loss = criterion(outputs, y)

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

    # 打印训练信息
    if (epoch+1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

以上是使用PyTorch实现多项式回归的基本步骤。你可以根据需要调整多项式的阶数(degree)和优化器的学习率(lr)等超参数来进行模型的优化。