y = wx + b 扩展为包含多项式项（如 x²、x³）的形式

线性模型 y = wx + b 扩展为包含多项式项（如 x²、x³）的形式。这种情况下，你需要修改模型的输入特征或前向传播逻辑。以下是两种实现方法：

方法一：手动扩展输入特征（推荐）

如果你想实现多项式回归（例如 y = w₁x + w₂x² + w₃x³ + b），可以在输入时手动扩展特征维度，然后使用线性层处理这些扩展后的特征。

python

运行

import torch
import torch.nn as nn

class PolynomialModel(nn.Module):
    def __init__(self, degree=3):
        """
        degree: 多项式的最高次数（如3表示包含x、x²、x³）
        """
        super(PolynomialModel, self).__init__()
        self.degree = degree
        # 输入维度为degree（例如3），输出维度为1
        self.linear = nn.Linear(degree, 1)
    
    def forward(self, x):
        """
        x: 输入张量，形状为 [batch_size, 1]
        """
        # 手动扩展x为[x, x², x³, ...]
        batch_size = x.shape[0]
        x_powers = torch.cat([x**i for i in range(1, self.degree+1)], dim=1)
        # x_powers 形状变为 [batch_size, degree]
        
        # 通过线性层计算输出
        return self.linear(x_powers)

# 测试模型
model = PolynomialModel(degree=3)  # 创建3次多项式模型
x = torch.tensor([[2.0]])  # 输入 x=2，形状为 [1, 1]
print(f"输入 x={x.item()}")
print(f"输出 y={model(x).item()}")

方法二：自定义参数（不使用 nn.Linear）

如果你想更明确地控制每个多项式项的权重，可以自定义参数而不使用 nn.Linear：

python

运行

import torch
import torch.nn as nn

class CustomPolynomialModel(nn.Module):
    def __init__(self, degree=3):
        super(CustomPolynomialModel, self).__init__()
        self.degree = degree
        # 为每个多项式项创建独立的权重
        self.weights = nn.ParameterList([
            nn.Parameter(torch.randn(1)) for _ in range(degree)
        ])
        self.bias = nn.Parameter(torch.randn(1))
    
    def forward(self, x):
        # 计算 y = w₁x + w₂x² + w₃x³ + ... + b
        output = self.bias
        for i in range(self.degree):
            output += self.weights[i] * (x ** (i+1))
        return output

# 测试模型
model = CustomPolynomialModel(degree=3)
x = torch.tensor([[2.0]])
print(f"输入 x={x.item()}")
print(f"输出 y={model(x).item()}")

两种方法的对比

可视化：多项式次数对模型的影响

不同次数的多项式可以拟合不同复杂度的曲线：

• 1 次多项式：y = w₁x + b（直线）
• 2 次多项式：y = w₁x + w₂x² + b（抛物线）
• 3 次多项式：y = w₁x + w₂x² + w₃x³ + b（S 型曲线）

通过调整 degree 参数，你可以控制模型的复杂度。

实际使用建议

1. 数据预处理：在扩展特征时，建议对输入进行归一化（如 x = (x - mean) / std），避免因 x²、x³ 导致数值范围差异过大。
2. 过拟合风险：高次多项式容易过拟合，建议配合正则化（如 L2 正则化）或早停策略使用。