PyTorch入门教程：从零构建多元回归模型（2026-07-07）

你是否曾好奇，机器如何从一堆数据中“学习”出规律？今天，我们用PyTorch——一个简单又强大的Python库——手把手构建一个多元回归模型。别怕，没有复杂的数学公式，只有生动比喻和可复现的代码。你只需一台电脑和一点点好奇心。

什么是多元回归？一个买房的小故事

想象你要买房子。房价不只取决于面积，还取决于卧室数量、地理位置、房龄……这就是“多元”的含义：用多个因素（特征）预测一个数值（房价）。多元回归就像一位聪明的房产中介，它根据历史数据，给每个特征配一个“权重”，最后加权求和得出预测价。

我们的案例：预测学生期末成绩

今天，我们用学习时长（小时） 和课后练习次数 两个特征，预测学生的期末考试成绩（满分100分）。我们用Python生成了一些假数据，让它看起来更真实。

import torch
import numpy as np

# 生成模拟数据：50名学生
np.random.seed(42)
hours = np.random.uniform(1, 10, 50)        # 学习时长 1-10小时
practices = np.random.randint(0, 10, 50)    # 练习 0-9次
scores = 60 + 3*hours + 2*practices + np.random.normal(0, 5, 50)  # 真实公式 + 噪声

# 转为PyTorch张量
X = torch.tensor(np.column_stack((hours, practices)), dtype=torch.float32)
y = torch.tensor(scores, dtype=torch.float32).reshape(-1, 1)

实用建议：初学者可以直接使用numpy生成假数据练习，但记得加上噪声（随机误差），否则模型会“死记硬背”而非真正学习。

构建模型：三步走，简单得像搭积木

1. 定义模型类

我们继承nn.Module，它像一个乐高底板——你只需添加模块。

import torch.nn as nn

class MultiLinearRegression(nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = nn.Linear(2, 1)  # 输入2个特征，输出1个值

    def forward(self, x):
        return self.linear(x)

2. 选择损失函数和优化器

model = MultiLinearRegression()
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

3. 训练循环：让模型“开窍”

重复以下步骤1000次（一个epoch就是一次全遍历）：

epochs = 1000
for epoch in range(epochs):
    # 前向传播：预测
    predictions = model(X)
    loss = criterion(predictions, y)

    # 反向传播：计算梯度
    optimizer.zero_grad()
    loss.backward()

    # 更新权重：沿梯度下降方向走一小步
    optimizer.step()

    if (epoch+1) % 200 == 0:
        print(f'Epoch {epoch+1}, Loss: {loss.item():.4f}')

运行后，你会看到损失从最初的几千逐渐降到个位数。魔法开始发生了！

实战结果与解读

训练结束后，你可以查看模型学到的权重：

[w, b] = model.parameters()
print(f'权重：{w.data.numpy()}, 偏置：{b.data.numpy()}')

你会发现权重接近我们生成数据时用的 [3, 2]，偏置接近 60。这意味着模型说：“每多学1小时，成绩加3分；每多做1次练习，成绩加2分；基础分60。”——这和我们的设定几乎一致！

给你的行动号召

恭喜，你已经亲手搭建了第一个多元回归模型！但学习不止于此：试着增加特征（比如出勤率）、更换优化器（Adam效果更佳）、或者用真实数据集（如Kaggle的波士顿房价）挑战自己。

现在，打开你的Python环境，复现下面的代码，然后改动一处（比如学习率从0.01改成0.1），观察损失曲线有何变化？ 下次我们将深入讲解如何可视化训练过程。

免责声明：本文内容仅供教育和学习目的。生成数据和结论仅用于示例，不构成任何实际预测或投资建议。实际模型表现取决于数据质量与特征选择，请遵守相关法律法规，在适用范围内使用本教程。