### PyTorch 简单机器学习示例程序及教程 以下是一个使用 PyTorch 实现简单线性回归模型的完整示例程序，包含数据准备、模型定义、训练和测试等步骤。该示例展示了如何利用 PyTorch 构建一个基础的机器学习模型[^2]。 ```python import torch import torch.nn as nn import numpy as np # 1. 准备数据集 # 创建简单的线性关系 y = 2x + 1 X = torch.tensor([[1], [2], [3], [4]], dtype=torch.float32) Y = 2 * X + 1 n_samples, n_features = X.shape # 2. 定义模型 # 使用 PyTorch 的 nn.Module 定义线性回归模型 class LinearRegressionModel(nn.Module): def __init__(self, input_dim, output_dim): super(LinearRegressionModel, self).__init__() self.linear = nn.Linear(input_dim, output_dim) def forward(self, x): return self.linear(x) input_size = n_features output_size = 1 model = LinearRegressionModel(input_size, output_size) # 3. 定义损失函数和优化器 learning_rate = 0.01 criterion = nn.MSELoss() optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate) # 4. 训练模型 num_epochs = 100 for epoch in range(num_epochs): # 前向传播 y_predicted = model(X) # 计算损失 loss = criterion(y_predicted, Y) # 反向传播 loss.backward() # 更新参数 optimizer.step() # 清空梯度 optimizer.zero_grad() if (epoch+1) % 10 == 0: print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}') # 5. 测试模型 predicted = model(X).detach().numpy() print("预测结果:", predicted) ``` 此代码实现了基于 PyTorch 的简单线性回归模型，展示了如何通过前向传播、反向传播和参数更新完成模型训练[^3]。 ### PyTorch 的优势 PyTorch 因其易学性和与其他 Python 包的良好集成能力而受到研究者和开发者的青睐。它提供了动态计算图功能，使得调试和扩展模型变得更加便捷[^3]。 ### 安装 PyTorch 在开始之前，请确保已正确安装 PyTorch。可以通过以下命令安装： ```bash pip install torch torchvision torchaudio ``` 更多详细信息可以参考官方文档或相关教程[^2]。