Pytorch深度学习笔记①：线性回归+基础优化方法

一、线性回归
首先，在介绍线性回归之前，先用一个简化的模型作为引入。
假设某地的房价影响因素有地理位置、人流量以及面积大小，分别记为x1、x2、x3。而房屋的最终成交价 y = w1x1  + w2x2 + w3x3 + b。
此即为线性模型，给定了n维输入 X = [x1, x2, ... , xn]T，以及模型的n维权重 w = [w1, w2, ..., wn]T和标量偏差b，模型的输出即为输入的加权和：y = w1x1 + w2x2 + ... + wnxn + b 。
由此可见，线性模型可以看做是一个单层的神经网络。
当然，在有了模型以后，我们可以对其定义损失，用于衡量预估质量，比较真实值与预估值，例如房屋售价和预估价进行比较。假设真实值为y，而预估值为，比较常用的即为平方损失。前面加1/2是为了方便在求导时消去。
在定义了模型和损失之后，我们便可进行训练数据。假定我们有n个样本，X = [x1, x2, ..., xn]，y = [y1, y2, ..., yn]，我们便可以将这些数据丢到所定义的线性模型中进行训练来得到

Pytorch深度学习笔记①：线性回归+基础优化方法最先出现在Python成神之路。