PyTorch线性回归模型

PyTorch是一个开源的机器学习框架，可以用于构建深度学习模型。线性回归是机器学习中的一种简单的模型，用于预测一个连续的目标变量，基于输入特征的线性组合。

在PyTorch中，我们可以使用torch.nn模块来构建线性回归模型。以下是一个完整的示例代码：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义线性回归模型
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)

# 准备数据
x_train = torch.tensor([[1.0], [2.0], [3.0], [4.0]])
y_train = torch.tensor([[2.0], [4.0], [6.0], [8.0]])

# 实例化模型
model = LinearRegression(1, 1)

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

# 训练模型
num_epochs = 1000
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(x_train)
    loss = criterion(outputs, y_train)
    
    # 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()))

# 使用训练好的模型进行预测
x_test = torch.tensor([[5.0], [6.0]])
y_pred = model(x_test)
print('预测结果：')
for i in range(len(x_test)):
    print('输入特征：{}，预测值：{}'.format(x_test[i].item(), y_pred[i].item()))

线性回归模型适用于输入特征与目标变量之间呈现线性关系的情况。它在许多领域中有广泛的应用，例如预测房价、销售趋势分析等。如果需要进行更复杂的任务，可以通过添加更多的隐藏层和非线性激活函数来构建更深层的神经网络模型。

关于PyTorch和线性回归模型的更多信息，你可以参考腾讯云的相关产品和文档：