【pytorch】简单的线性回归模型

前言

回归是一种能更加多个变量之间的关系进行建模的一种方法，其在机器学习中有着官方运用。线性回归是其中最最最最简单的一种，其假设自变量与因变量之间是线性关系。利用pytorch就可以简单地写出线性回归的代码。

线性回归

首先需要知道线性回归的基本假设：

1. 自变量和因变量之间是线性关系，并且允许存在些噪声。
2. 存在的噪声都是比较“正常”的，符号正态分布。
   因此可以用一个简单是式子来表示这个模型。
   $$\hat{y}=w^{T}x+b$$
   其中w，x均是列向量。
   对于这个简单的问题，可以用数学的方法，直接求出解析解，最常见的就说最小二乘法。
   但是，因为线性回归模型过于简单，才可以这样求出答案，对于其他的模型，是不可能的，因此在这里同样是使用随机梯度下降法。

数据集

这种简单的数据集，并不需要去哪里下载，直接自行生成即可。

def data_maker(w, b, n_size): # y=w*x+b,n个数据
    X = torch.normal(0 , 1 , (n_size , len(w))) # n*len(w)的参数
    y = torch.matmul(X , w) + b
    y = y + torch.normal(0, 0.01 , y.shape)
    return X , y.reshape((-1 , 1))

读取

不失一般性，一般都是读取一个batch的，为了方便，可以利用yield将其写成一个迭代器。

def data_iter(batch_size , x , y):
    n