### 基于 PyTorch 的线性回归模型实现 以下是通过 Python 和 PyTorch 实现线性回归模型的具体方法。该方法涵盖了模型定义、数据准备、损失函数设置以及优化器配置等内容。 #### 1. 导入必要的库 为了构建线性回归模型，需要导入 `torch` 及其子模块 `torch.nn` 和 `torch.optim` 来完成模型搭建和训练过程[^1]。 ```python import torch import torch.nn as nn import torch.optim as optim ``` #### 2. 定义线性回归模型 创建一个继承自 `nn.Module` 的类来表示线性回归模型。在此过程中，利用 `torch.nn.Linear` 方法定义输入到输出的映射关系，并在前馈阶段返回预测值[^2]。 ```python class LinearRegressionModel(nn.Module): def __init__(self): super(LinearRegressionModel, self).__init__() self.linear = nn.Linear(1, 1) # 输入维度为1，输出维度也为1 def forward(self, x): return self.linear(x) ``` #### 3. 数据准备 生成或加载用于训练的数据集。这里假设我们有一个简单的二维数组作为输入特征 \(X\) 和目标变量 \(Y\)。 ```python # 创建虚拟数据 (N 表示样本数量) N = 100 X_train = torch.randn(N, 1) * 10 # 随机生成 N 个数作为 X 训练数据 Y_train = 3 * X_train + 5 + torch.randn(N, 1) * 2 # Y 是关于 X 的线性方程加上噪声 ``` #### 4. 初始化模型并设定超参数 实例化上述定义好的模型结构，并指定学习率以及其他可能影响收敛速度的因素。 ```python model = LinearRegressionModel() learning_rate = 0.01 criterion = nn.MSELoss() # 使用均方误差作为损失函数 optimizer = optim.SGD(model.parameters(), lr=learning_rate) # 使用随机梯度下降法更新权重 ``` #### 5. 开始训练循环 迭代多次遍历整个数据集，在每次迭代中执行如下操作：计算当前批次上的预测结果；评估这些预测相对于真实标签产生的错误程度（即损失值）；最后依据此反馈调整内部可学参数直至达到预期效果为止。 ```python num_epochs = 500 for epoch in range(num_epochs): model.train() # 正向传播 outputs = model(X_train) loss = criterion(outputs, Y_train) # 反向传播与优化 optimizer.zero_grad() # 清除之前的梯度缓存 loss.backward() # 自动求导得到各层参数对应的梯度信息 optimizer.step() # 更新网络中的所有参数 if (epoch+1) % 50 == 0: print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}') ``` #### 6. 测试模型性能 经过充分训练后，可以通过新一批未见过的数据验证最终拟合曲线的效果如何。 ```python with torch.no_grad(): predicted = model(X_train).detach().numpy() plt.scatter(X_train.numpy(), Y_train.numpy(), label='Original data') plt.plot(X_train.numpy(), predicted, color="red", linewidth=2., linestyle="-", label='Fitted line') plt.legend() plt.show() ``` 以上就是完整的基于 PyTorch 构建线性回归的过程描述及其对应代码片段展示[^1]。