用paddle实现的线性回归的例子

在PaddlePaddle（飞桨）中，线性回归是一个简单的机器学习模型，用于预测连续数值。以下是一个使用Python和PaddlePaddle库实现简单线性回归的基本步骤：

# 导入必要的模块
import paddle
from paddle import nn

# 创建数据
x_data = paddle.to_tensor([[1], [2], [3], [4], [5]])
y_data = paddle.to_tensor([[1], [3], [5], [7], [9]], dtype='float32')  # 真实值

# 定义线性回归模型
class LinearRegressionModel(nn.Layer):
    def __init__(self):
        super(LinearRegressionModel, self).__init__()
        self.linear = nn.Linear(in_features=1, out_features=1)

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

model = LinearRegressionModel()

# 定义损失函数（均方误差）
loss_fn = nn.MSELoss()

# 初始化优化器
optimizer = paddle.optimizer.SGD(learning_rate=0.01, parameters=model.parameters())

# 训练循环
for epoch in range(100):  # 进行多次迭代
    y_pred = model(x_data)  # 预测
    loss = loss_fn(y_pred, y_data)  # 计算损失
    loss.backward()  # 反向传播更新权重
    optimizer.step()  # 更新参数
    optimizer.clear_grad()  # 清除梯度

    print(f"Epoch {epoch+1}, Loss: {loss.numpy()[0]}")

# 测试模型
test_x = paddle.to_tensor([[6]])
test_y_pred = model(test_x)
print(f"Predicted value for test input 6: {test_y_pred.numpy()[0][0]}")

在这个例子中，我们首先创建了一些模拟的数据点，然后定义了一个包含一个线性层的模型。接着，我们使用均方误差作为损失函数，并选择随机梯度下降法作为优化器。在训练过程中不断调整模型参数，使得预测值更接近真实值。