在PyTorch中,可以使用torch.nn模块中的Linear类来实现多元线性回归。下面是一个简单的示例代码:
import torch
import torch.nn as nn
import torch.optim as optim
# 定义输入和输出数据
x = torch.tensor([[1.0, 2.0], [2.0, 3.0], [3.0, 4.0], [4.0, 5.0]])
y = torch.tensor([[3.0], [4.0], [5.0], [6.0]])
# 定义线性回归模型
class LinearRegression(nn.Module):
def __init__(self, input_dim, output_dim):
super(LinearRegression, self).__init__()
self.linear = nn.Linear(input_dim, output_dim)
def forward(self, x):
return self.linear(x)
# 初始化模型和优化器
model = LinearRegression(input_dim=2, output_dim=1)
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)
# 训练模型
num_epochs = 1000
for epoch in range(num_epochs):
optimizer.zero_grad()
outputs = model(x)
loss = criterion(outputs, y)
loss.backward()
optimizer.step()
if (epoch+1) % 100 == 0:
print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))
# 测试模型
predicted = model(x)
print('Predicted:', predicted.detach().numpy())
在这个示例中,我们定义了一个具有两个输入和一个输出的多元线性回归模型,并用随机梯度下降(SGD)优化器来训练模型。在训练过程中,我们使用均方误差损失函数来衡量模型的预测值与实际值之间的差异。最后,我们用训练好的模型来对输入数据进行预测,并输出预测结果。