pytorch-用线性回归梯度下降模型-预测水果产量

1. 假设有如下数据集， 如何预测水果产量
   
   假设水果产量与地区无关， 与只与温度， 降雨量， 湿度有关， 若用线性模型预测， 可以通过线性回归的方法， 预测产量。加入线性无关， 通过蓝色方框参数可以求解W1, W2, W3值。

2. 根据线性模型， 加入喂入数据权重w， 与偏差值b, 建立线性方程。

yield_apple = w11 * temp + w12 * rainfall + w13 * humidity + b1
yield_orange = w21 * temp + w22 * rainfall + w23 * humidity + b2
降雨量， 温度与苹果参量的关系可能如下图：

通过梯度下降法， 不断喂入数据w， 可以求出理想的w值。

3. 引入pytorch 和 numpy

import numpy as np
import torch

4. 加入训练数据

# Input (temp, rainfall, humidity)
inputs = np.array([[73, 67, 43], 
                   [91, 88, 64], 
                   [87, 134, 58], 
                   [102, 43, 37], 
                   [69, 96, 70]], dtype='float32')

# Targets (apples, oranges)
targets = np.array([[56, 70], 
                    [81, 101], 
                    [119, 133], 
                    [22, 37], 
                    [103, 119]], dtype='float32')

5. 转化 为tensor数据， 因为numpy提取csv文件， tensor训练数据

# Convert inputs and targets to tensors
inputs = torch.from_numpy(inputs)
targets = torch.from_numpy(targets)
print(inputs)
print(targets)

    tensor([[ 73.,  67.,  43.],
    [ 91.,  88.,  64.],
    [ 87., 134.,  58.],
    [102.,  43.,  37.],
    [ 69.,  96.,  70.]]) 
    tensor([[ 56.,  70.],
    [ 81., 101.],
    [119., 133.],
    [ 22.,  37.],
    [103., 119.]])

6. 建立线性模型：
   

# Weights and biases
w = torch.randn(2, 3, requires_grad=True)
b = torch.randn(2, requires_grad=