以一个算例讲解pytorch基础

这个是pytorch的核心功能：

# 自动计算梯度
y.backward()

举个例子：

# 创建一个需要梯度的张量
x = torch.tensor(2.0, requires_grad=True)

# 定义一个计算（例如 y = x^2）
y = x ** 2

# 自动计算梯度
y.backward()

# 查看梯度（dy/dx = 2x，在 x=2 时为 4）
print(x.grad)  # 输出: tensor(4.)

以下是一个完整的线性回归模型示例：

import torch.nn as nn
import torch.optim as optim

# 1. 准备数据
X = torch.tensor([[1.0], [2.0], [3.0]])
y = torch.tensor([[2.0], [4.0], [6.0]])

# 2. 定义模型（一个线性层）
model = nn.Linear(1, 1)  # 输入维度 1，输出维度 1

# 3. 定义损失函数和优化器
criterion = nn.MSELoss()  # 均方误差
optimizer = optim.SGD(model.parameters(), lr=0.01)  # 随机梯度下降

# 4. 训练模型
for epoch in range(100):
    # 前向传播
    outputs = model(X)
    loss = criterion(outputs, y)
    
    # 反向传播
    optimizer.zero_grad()  # 清空梯度
    loss.backward()        # 计算梯度
    optimizer.step()       # 更新参数
    
    if (epoch+1) % 10 == 0:
        print(f'Epoch [{epoch+1}/100], Loss: {loss.item():.4f}')

# 测试模型
test_input = torch.tensor([[4.0]])
predicted = model(test_input)
print(f'预测结果: {predicted.item()}')  # 理想输出接近 8.0