pytorch中的线性回归

在PyTorch中，线性回归可以通过定义一个全连接层来实现。全连接层在nn.Linear类中定义。我们可以使用nn.Sequential将其包装起来。需要注意的是，我们需要将输入特征形状和输出特征形状作为参数传递给nn.Linear。例如，如果输入特征形状是2，输出特征形状是1，我们可以这样定义线性回归模型：

from torch import nn

net = nn.Sequential(nn.Linear(2, 1))

在定义模型之前，我们需要初始化模型的参数。我们可以使用torch.normal来随机初始化参数，并将requires_grad设置为True以便计算梯度。例如：

w = torch.normal(0, 0.01, size=(2,1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)

定义了模型和参数之后，我们可以定义损失函数。对于线性回归来说，通常使用均方损失函数。例如：

def squared_loss(y_hat, y):
    return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2

另外，我们可以使用PyTorch的数据工具来生成和读取数据集。例如，我们可以使用d2l.synthetic_data来生成数据集，然后使用data.DataLoader来读取数据集。以下是一个简单的示例：

from torch.utils import data
from d2l import torch as d2l

true_w = torch.tensor([2, -3.4])
true_b = 4.2

features, labels = d2l.synthetic_data(true_w, true_b, 1000)

def load_array(data_arrays, batch_size, is_train=True):
    dataset = data.TensorDataset(*data_arrays)
    return data.DataLoader(dataset, batch_size, shuffle=is_train)

batch_size = 10
data_iter = load_array((features, labels), batch_size)
next(iter(data_iter))