多元线性回归pytorch

对于多元线性回归，你可以使用PyTorch来实现。下面是一个简单的示例代码，演示如何使用PyTorch进行多元线性回归：

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

# 定义多元线性回归模型
class LinearRegression(nn.Module):
    def __init__(self, input_size, output_size):
        super(LinearRegression, self).__init__()
        self.linear = nn.Linear(input_size, output_size)

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

# 设置输入和输出数据
input_size = 3
output_size = 1
x_train = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]], dtype=torch.float32)
y_train = torch.tensor([[3], [6], [9]], dtype=torch.float32)

# 实例化模型、损失函数和优化器
model = LinearRegression(input_size, output_size)
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 训练模型
num_epochs = 1000
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(x_train)
    loss = criterion(outputs, 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, num_epochs, loss.item()))

# 测试模型
x_test = torch.tensor([[10, 11, 12]], dtype=torch.float32)
predicted = model(x_test)
print('Predicted value:', predicted.item())

在上面的代码中，我们定义了一个名为`LinearRegression`的类，它继承自`nn.Module`。该类包含一个线性层，用于实现多元线性回归模型。然后，我们实例化模型、定义损失函数（均方误差）和优化器（随机梯度下降），并进行训练。最后，我们使用训练好的模型进行预测。

希望这个示例能帮到你！如果还有其他问题，请随时提问。