pytorch入门（一）：regression回归

最新推荐文章于 2025-08-28 00:30:00 发布

原创

最新推荐文章于 2025-08-28 00:30:00 发布 · 1.4k 阅读

2 ·

CC 4.0 BY-SA版权

本文通过构建神经网络模型，解析了一种回归问题的解决方案。详细介绍了样本数据生成、网络搭建、优化器创建及模型训练过程，展示了如何使用PyTorch进行数据分析与预测。

回归问题，即：通过分析一组带有因变量和自变量的样本，得出因变量和自变量之间的关系。本文介绍一个最简单的回归问题。并使用神经网络进行分析。

效果图：

介绍

逐句代码讲解

一、生成样本数据

x=torch.unsqueeze(torch.linspace(-3,3,1000),dim=1)
y=x.sin()+0.2*torch.rand(x.size())

其中torch.unsqueeze()为数据提升维度：

由[1,2,3,4]变为[[1],[2],[3],[4]];神经网络只接受第二种形式的输入数据。

x生成-3到3范围的等间隔的1000个数据；y是x的函数

二、搭建神经网络

class Net(torch.nn.Module):
    def __init__(self,nfeature,n_hidden,n_output):
        super(Net, self).__init__()
        self.hidden=torch.nn.Linear(nfeature,n_hidden)
        self.predict=torch.nn.Linear(n_hidden,n_output)

    def forward(self,x):
        x=torch.tanh(self.hidden(x))