Pytorch（三）入门：线性回归

给定一个数据点集合$X$和对应的目标值$y$，线性模型的目标就是找到一条使用向量$w$和位移$b$描述的线，来尽可能地近似每个样本$X[i]$和$y[i]$。用数学符号来表示就是：
$$\hat{y}=Xw+b$$
并最小化所有数据点上的平方误差
$$\sum _{i=1}^n({\hat{y}}_i-y_i{)}^2.$$

接下来，一起来写一个线性回归模型，然后再通过 nn 包构建一个线性回归模型。

用torch.nn来构建模型

在PyTorch中 nn 包定义了一系列基本组件，这些组件（Modules）涵盖了大部分构建神经网络会使用的各种层。一个组件（Modules）的输入是Variable，经过组件之后，输出又是另一个 Variable。

当然nn包中还包含了大部分我们平时使用的损失函数。

最后torch.optim中还含有很多我们平时使用的优化算法，用来更新梯度。（我们上面使用的就是梯度下降法，只不过上面是我们自己手写，现在可以直接调用了）

刚才，我们使用的是Tensor和autograd来构建线性回归的模型，现在，我们来使用torch.nn来快速构建一个线性回归模型.

以上代码参考：https://github.com/LianHaiMiao/pytorch-lesson-zh/