pytorch线性回归

PyTorch是一个基于Python的深度学习框架，它支持动态计算图和静态计算图，能够快速构建和训练各种深度学习模型。其中，线性回归是最简单的机器学习算法之一，用于预测一个连续值的输出。

下面是一个使用PyTorch实现线性回归的示例代码：

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

# 生成数据集
np.random.seed(1)
x = np.random.rand(100, 1)
y = 5 + 2 * x + np.random.rand(100, 1)

# 转换为张量
inputs = torch.from_numpy(x).float()
targets = torch.from_numpy(y).float()

# 定义模型
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):
        return self.linear(x)

input_size = 1
output_size = 1
model = LinearRegression(input_size, output_size)

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

# 训练模型
num_epochs = 1000
losses = []
for epoch in range(num_epochs):
    # 前向传播和计算损失
    outputs = model(inputs)
    loss = criterion(outputs, targets)
    losses.append(loss.item())

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

    # 打印损失
    if (epoch+1) % 50 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# 可视化损失
plt.plot(losses)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.show()

# 测试模型
with torch.no_grad():
    predicted = model(inputs).detach().numpy()

# 可视化预测结果
plt.plot(x, y, 'ro', label='Original data')
plt.plot(x, predicted, label='Fitted line')
plt.legend()
plt.show()

这段代码首先生成了一个简单的数据集，然后将数据转换为PyTorch张量，定义了一个线性回归模型，并将损失函数设为均方误差（MSE）损失函数。然后使用随机梯度下降（SGD）优化器来训练模型，迭代1000次，每50次打印一次损失，并可视化损失曲线。最后，使用训练好的模型对输入数据进行预测，并可视化预测结果。

这个简单的示例演示了如何使用PyTorch构建和训练一个线性回归模型，并对预测结果进行可视化。实际上，PyTorch还提供了许多其他的深度学习算法和工具，可以帮助你构建和训练更复杂的深度学习模型。