PyTorch的4分钟教程，手把手教你完成线性回归

关注

原创最新推荐文章于 2026-09-20 14:22:09 发布 308 阅读 AI 写同款· GEO 优化 ›

PyTorch手写线性回归：从原理到工业级可部署实现 线性回归作为机器学习最基础的监督学习模型，其核心是通过最小化损失函数求解最优参数；深入理解其前向传播、梯度计算与参数更新机制，是掌握深度学习框架底层逻辑的关键起点。PyTorch凭借自动微分、张量计算图和细粒度控制能力，不仅支持标准线性拟合，更能无缝集成量化、异方差建模、在线学习与端到端部署等工业需求。相比sklearn的黑盒封装，PyTorch实现可显式管理shape广播、自定义初始化、学习率调优及GPU/多卡扩展，为后续构建复杂神经网络流水线奠定可微分、可追踪、可复现的工程范式。本文聚焦PyTorch原阅读详情

大数据文摘出品

编译：洪颖菲、宁静

PyTorch深度学习框架库之一，是来自Facebook的开源深度学习平台，提供研究原型到生产部署的无缝衔接。

本文旨在介绍PyTorch基础部分，帮助新手在4分钟内实现python PyTorch代码的初步编写。

下文出现的所有功能函数，均可以在中文文档中查看具体参数和实现细节，先附上pytorch中文文档链接：

https://pytorch-cn.readthedocs.io/zh/latest/package_references/torch/

coding前的准备

需要在电脑上安装Python包，导入一些科学计算包，如：numpy等，最最重要的，别忘记导入PyTorch，下文的运行结果均是在jupyter notebook上得到的，感兴趣的读者可以自行下载Anaconda，里面自带有jupyter notebook。（注：Anaconda支持python多个版本的虚拟编译环境，jupyter notebook是一个web形式的编译界面，将代码分割成一个个的cell，可以实时看到运行结果，使用起来非常方便！）

软件的配置和安装部分，网上有很多教程，这里不再赘述，纸上得来终觉浅，绝知此事要躬行。让我们直接进入Pytorch的世界，开始coding吧！

Tensors

Tensor张量类型，是神经网络框架中重要的基础数据类型，可以简单理解为一个包含单个数据类型元素的多维矩阵，tensor之间的通过运算进行连接，从而形成计算图。

下面的代码实例中创建了一个2*3的二维张量x,指定数据类型为浮点型（Float)：

import torch#Tensorsx=torch.FloatTensor([[1,2,3],[4,5,6]])print(x.size(),"\n",x)

运行结果：

PyTorch包含许多关于tensors的数学运算。除此之外，它还提供了许多实用程序，如高效序列化Tensor和其他任意数据类型，以及其他有用的实用程序。

下面是Tensor的加法/减法的一个例子，其中torch.ones(*sizes, out=None) → Tensor返回一个全为1 的张量，形状由可变参数sizes定义。在实例中，和变量x相加的是创建的两个相应位置值为1的2*3的张量，相当于x每一维度的值+2，代码和运行结果如下所示：

#Add tensorsx.add_(torch.ones([2,3])+torch.ones([2,3]))

运行结果：

同样的，PyTorch也支持减法操作，实例如下，在上面的运行结果基础上每一维度再减去2，x恢复到最初的值。

#Subtract Tensorx.sub_(torch.ones([2,3])*2)

运行结果：

其他PyTorch运算读者可以查阅上文给出的中文链接。

PyTorch and NumPy

用户可以轻松地在PyTorch和NumPy之间来回转换。

下面是将np.matrix转换为PyTorch并将维度更改为单个列的简单示例：

#Numpy to torch tensorsimport numpy as npy=np.matrix([[2,2],[2,2],[2,2]])z=np.matrix([[2,2],[2,2],[2,2]],dtype="int16")x.short() @ torch.from_numpy(z)

运行结果：

其中@为张量乘法的重载运算符，x为2*3的张量，值为[[1,2,3],[4,5,6]]，与转换成tensor的z相乘，z的大小是3*2，结果为2*2的张量。（与矩阵乘法类似，不明白运行结果的读者，可以看下矩阵的乘法运算）

除此外，PyTorch也支持张量结构的重构reshape,下面是将张量x重构成1*6的一维张量的实例，与numpy中的reshape功能类似。

#Reshape tensors(similar to np.reshape)x.view(1,6)

运行结果：

GitHub repo概述了PyTorch到numpy的转换，链接如下：

https://github.com/wkentaro/pytorch-for-numpy-users

CPU and GPUs

PyTorch允许变量使用 torch.cuda.device上下文管理器动态更改设备。以下是示例代码：

#move variables and copies across computer devicesx=torch.FloatTensor([[1,2,3],[4,5,6]])y=np.matrix([[2,2,2],[2,2,2]],dtype="float32")

if(torch.cuda.is_available()): x=x.cuda(); y=torch.from_numpy(y).cuda() z=x+yprint(z)
print(x.cpu())

运行结果：

PyTorch Variables

变量只是一个包裹着Tensor的薄层，它支持几乎所有由Tensor定义的API，变量被巧妙地定义为自动编译包的一部分。它提供了实现任意标量值函数自动区分的类和函数。

以下是PyTorch变量用法的简单示例，将v1和v2相乘的结果赋值给v3，其中里面的参数requires_grad的属性默认为False,若一个节点requires_grad被设置为True，那么所有依赖它的节点的requires_grad都为True，主要用于梯度的计算。

#Variable(part of autograd package)#Variable (graph nodes) are thin wrappers around tensors and have dependency knowle#Variable enable backpropagation of gradients and automatic differentiations#Variable are set a 'volatile' flad during infrencing

from torch.autograd import Variablev1 = Variable(torch.tensor([1.,2.,3.]), requires_grad=False)v2 = Variable(torch.tensor([4.,5.,6.]), requires_grad=True)v3 = v1*v2

v3.data.numpy()

运行结果：

#Variables remember what created themv3.grad_fn

运行结果：

Back Propagation

反向传播算法用于计算相对于输入权重和偏差的损失梯度，以在下一次优化迭代中更新权重并最终减少损失，PyTorch在分层定义对于变量的反向方法以执行反向传播方面非常智能。

以下是一个简单的反向传播计算方法，以sin（x）为例计算差分：

#Backpropagation with example of sin(x)x=Variable(torch.Tensor(np.array([0.,1.,1.5,2.])*np.pi),requires_grad=True)y=torch.sin(x)x.grady.backward(torch.Tensor([1.,1.,1.,1]))

#Check gradient is indeed cox(x)if( (x.grad.data.int().numpy()==torch.cos(x).data.int().numpy()).all() ): print ("d(sin(x)/dx=cos(x))")

运行结果：

对于pytorch中的变量和梯度计算可参考下面这篇文章：

https://zhuanlan.zhihu.com/p/29904755

SLR: Simple Linear Regression

现在我们了解了基础知识，可以开始运用PyTorch 解决简单的机器学习问题——简单线性回归。我们将通过4个简单步骤完成：

第一步

在步骤1中，我们创建一个由方程y = wx + b产生的人工数据集，并注入随机误差。请参阅以下示例：

#Simple Liner Regression# Fit a line to the data. Y =w.x+b#Deterministic behaviornp.random.seed(0)torch.manual_seed(0)#Step 1:Datasetw=2;b=3x=np.linspace(0,10,100)y=w*x+b+np.random.randn(100)*2x=x.reshape(-1,1)y=y.reshape(-1,1)

第二步

在第2步中，我们使用forward函数定义一个简单的类LinearRegressionModel，使用torch.nn.Linear定义构造函数以对输入数据进行线性转换：

#Step 2:Modelclass LinearRegressionModel(torch.nn.Module):        def __init__(self,in_dimn,out_dimn):        super(LinearRegressionModel,self).__init__()        self.model=torch.nn.Linear(in_dimn,out_dimn)            def forward(self,x):        y_pred=self.model(x);        return y_pred;    model=LinearRegressionModel(in_dimn=1, out_dimn=1)

torch.nn.Linear参考网站：

https://pytorch.org/docs/stable/_modules/torch/nn/modules/linear.html

第三步

下一步：使用 MSELoss 作为代价函数，SGD作为优化器来训练模型。

#Step 3: Trainingcost=torch.nn.MSELoss()optimizer=torch.optim.SGD(model.parameters(),lr=0.01,momentum=0.9)inputs=Variable(torch.from_numpy(x.astype("float32")))outputs=Variable(torch.from_numpy(y.astype("float32")))

for epoch in range(100):#3.1 forward pass: y_pred=model(inputs) #3.2 compute loss loss=cost(y_pred,outputs) #3.3 backward pass optimizer.zero_grad(); loss.backward() optimizer.step() if((epoch+1)%10==0): print("epoch{},loss{}".format(epoch+1,loss.data))

运行结果：

MSELoss参考网站：

https://pytorch.org/docs/stable/_modules/torch/nn/modules/loss.html

SGD参考网站：

https://pytorch.org/docs/stable/_modules/torch/optim/sgd.html

第四步

现在训练已经完成，让我们直观地检查我们的模型：

#Step 4:Display model and confirmimport matplotlib.pyplot as pltplt.figure(figsize=(4,4))plt.title("Model and Dataset")plt.xlabel("X");plt.ylabel("Y")plt.grid()plt.plot(x,y,"ro",label="DataSet",marker="x",markersize=4)plt.plot(x,model.model.weight.item()*x+model.model.bias.item(),label="Regression Model")plt.legend();plt.show()

运行结果：