### 使用 PyTorch 实现线性回归 尽管对于简单的机器学习方法如线性回归而言，PyTorch 可能显得功能过剩[^1]，这仍然是一个极佳的学习练习。下面展示了一个利用 PyTorch 构建并训练简单线性回归模型的例子。 #### 导入必要的库 为了构建这个模型，首先需要导入一些基本的 Python 库以及 PyTorch 的核心组件： ```python import torch from torch import nn, optim import numpy as np ``` #### 创建数据集 接着定义用于拟合直线的数据点集合。这里创建了一组模拟的一维输入特征 `X` 和对应的标签 `y`: ```python np.random.seed(42) # For reproducibility X = np.linspace(-1, 1, 100).reshape((100, 1)) y = X * 2 + np.random.normal(size=(100, 1)) # Linear relationship plus some noise X_tensor = torch.from_numpy(X.astype(np.float32)) y_tensor = torch.from_numpy(y.astype(np.float32)) ``` #### 定义模型结构 现在可以定义一个继承自 `nn.Module` 类的小型神经网络来表示线性函数 \(f(x)=wx+b\) : ```python class LinearRegressionModel(nn.Module): def __init__(self): super().__init__() self.linear_layer = nn.Linear(in_features=1, out_features=1) def forward(self, x): return self.linear_layer(x) model = LinearRegressionModel() ``` #### 设置损失函数与优化器 选择均方误差作为衡量预测值偏离真实值程度的标准，并采用随机梯度下降法来进行参数更新： ```python criterion = nn.MSELoss() optimizer = optim.SGD(model.parameters(), lr=0.01) ``` #### 训练过程 最后，在一定轮次内迭代整个数据集，调整权重使得总损失最小化： ```python num_epochs = 500 for epoch in range(num_epochs): model.train() predictions = model(X_tensor) loss = criterion(predictions, y_tensor) optimizer.zero_grad() loss.backward() optimizer.step() if (epoch+1) % 50 == 0: print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}') ``` 通过上述代码片段，已经完成了一个完整的基于 PyTorch 的线性回归实现流程。值得注意的是，虽然此处仅展示了单变量情况下的应用实例，但多变量情形下只需相应修改输入维度即可适用相同框架。