pytorch 线性回归 例子

PyTorch是一个广泛使用的深度学习框架，线性回归是其中最基础的模型之一，它用于预测连续数值输出。下面是一个简单的线性回归例子，我们将使用PyTorch创建一个线性模型并训练它。

首先，你需要安装PyTorch库，如果还没有安装，可以使用pip安装：

pip install torch

然后，我们可以编写如下的Python代码来实现线性回归：

import torch
import torch.nn as nn

# 定义模型
class LinearRegression(nn.Module):
    def __init__(self, input_dim):
        super(LinearRegression, self).__init__()
        self.linear = nn.Linear(input_dim, 1)  # 一维输出，因为我们预测的是单变量的值

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

# 数据准备（这里假设我们有一个二维输入的数据集）
x_data = torch.randn(100, 1)
y_data = 2 * x_data + 1  # 生成线性关系的目标数据，真实y = 2x + 1

# 将数据转化为张量，并设置为需要训练模式
x_data = x_data.type(torch.FloatTensor).requires_grad_()
y_data = y_data.type(torch.FloatTensor)

# 初始化模型参数并设置损失函数和优化器
model = LinearRegression(1)
criterion = nn.MSELoss()  # 用于均方误差损失
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # 使用随机梯度下降优化器

# 训练循环
num_epochs = 1000
for epoch in range(num_epochs):
    predictions = model(x_data)
    loss = criterion(predictions, y_data)
    
    optimizer.zero_grad()  # 清除梯度
    loss.backward()  # 反向传播计算梯度
    optimizer.step()  # 更新模型参数

# 打印训练结果
print(f"Epoch {epoch+1}, Loss: {loss.item():.4f}")