pytorch从零实现线性回归

1.生成数据

数据可视化显示

x=features[:, 1].detach().numpy() 

•    features 是一个形状为 (样本数, 特征数) 的 Tensor。按行取是因为，我们想取每个样本特征值
•     [:, 1] 表示选择所有行的第2列（因为索引从0开始）。  取第二列特征
• ​.detach()：
  • 如果 features 是在训练过程中生成的 Tensor（带有梯度跟踪），.detach() 会创建一个不依赖计算图的新 Tensor，防止梯度计算占用内存。
  • 如果是推理阶段的数据，这一步可以省略，但加上更安全。

• ​.numpy()：

  • 将 PyTorch Tensor 转换为 NumPy 数组，因为 Matplotlib 的 scatter() 函数需要 NumPy 格式的数据。

 选取小批量数据

yield 是 Python 中非常强大的关键字，用于定义生成器函数​（Generator Function）。它的核心作用是按需生成数据并保持函数状态，而无需一次性计算所有结果。

这里yield用于分批次返回数据

 2.定义模型

模型初始化

定义参数 w，b

• torch.zeros(1) 生成一个形状为 (1,) 的张量，所有元素初始值为 0。

初始化模型 

 

定义损失函数和优化算法

3.训练模型

 

调用api快速实现线性回归

1.生成数据集

2.构造数据迭代器

也就是小批量取数据

3.使用神经网络的线性层

(nn.Linear(2,1)) : 输入2维，输出1维

4.初始化模型参数

 5.调用损失函数与随机梯度下降优化方法

6.训练模型