pytorch之线性回归第一关

好的，让我们开始第一关线性回归。在这个任务中，我们将使用PyTorch来实现一个简单的线性回归模型，以预测房价。首先，我们需要加载数据集并进行预处理。

import torch
import torch.nn as nn
import pandas as pd
from sklearn.preprocessing import MinMaxScaler

# 加载数据集
data = pd.read_csv('house_prices.csv')
x = data.iloc[:, :-1].values
y = data.iloc[:, -1:].values

# 特征缩放
scaler = MinMaxScaler(feature_range=(-1, 1))
x = scaler.fit_transform(x)
y = scaler.fit_transform(y)

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

print(x.shape)
print(y.shape)

我们首先使用Pandas加载数据集，然后将特征和标签分别存储在`x`和`y`变量中。接下来，我们使用`MinMaxScaler`对特征和标签进行缩放，以将它们归一化到`-1`到`1`之间。最后，我们将数据转换为PyTorch张量。

接下来，我们需要定义模型。在这个任务中，我们将使用一个简单的线性模型，它只有一个输入和一个输出。

# 定义模型
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

input_dim = x.shape[1]
output_dim = y.shape[1]
model = LinearRegression(input_dim, output_dim)

在这里，我们定义了一个名为`LinearRegression`的类，并继承了`nn.Module`。我们在类的构造函数中定义了一个线性层，它将输入特征映射到输出标签。在前向传递方法中，我们将输入`x`传递到线性层中，并返回输出`out`。

最后，我们需要定义损失函数和优化器。

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

我们使用均方误差作为损失函数，并使用随机梯度下降作为优化器。

现在我们已经完成了第一关，让我们训练模型并查看结果。

# 训练模型
num_epochs = 1000
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()

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

# 预测结果
predicted = model(x).detach().numpy()
predicted = scaler.inverse_transform(predicted)

# 显示结果
import matplotlib.pyplot as plt
plt.plot(y, label='True')
plt.plot(predicted, label='Predicted')
plt.legend()
plt.show()

在这里，我们使用了一个简单的循环来迭代模型。对于每个epoch，我们先进行前向传播，然后计算损失并进行反向传播和优化。最后，我们将预测结果反缩放并将其可视化。

恭喜你完成了第一关线性回归！