基于PyTorch的线性回归实战：从原理到代码实现

先聊聊这次的话题。机器学习入门绕不开的第一个模型，几乎都是线性回归，它就像编程里的“Hello World”，地位不是因为它简单，而是因为它把“从数据中学习规律”这件事最直观地演示出来了。而PyTorch作为深度学习的主流框架，虽然名字里带着“深度”，但你用它来做线性回归，反而能把框架的核心机制——张量计算、自动求导、梯度下降——一次性摸清楚。这篇博文我按照“原理讲透、代码能跑、坑点说清”的思路，把基于PyTorch的线性回归完整拆解一遍，配套完整的可执行代码，新手照着敲就能跑出结果，后面学逻辑回归、神经网络也会顺很多。

1. 线性回归的核心逻辑：模型、损失与优化

1.1 从“猜数游戏”理解线性回归在干什么

先把线性回归的本质说透。假设你面前有一组数据，比如房屋面积和房价的对应关系。面积是输入，房价是输出。线性回归要做的事情，就是找到一条直线，让这条直线尽可能贴合所有数据点。这条直线在数学上就是 y = wx + b，w是权重，b是偏置。训练模型的过程，本质上是不断调整w和b，让直线离真实数据点的平均距离最小。

PyTorch在这里扮演的角色，是把你从复杂的数学运算中解放出来。你不需要手写求导公式，不需要自己实现梯度下降的迭代逻辑，框架的自动求导机制会帮你算好梯度，你只需要告诉它“怎么评判好坏”和“朝哪个方向调整参数”。这就是我推荐用PyTorch入门线性回归的原因——它把“算法思路”和“工程实现”解耦得非常干净，你能专注理解模型本身，而不是陷入到微积分的计算细节里。

1.2 损失函数和梯度下降：优化问题的两大支柱

有了直线方程，下一个问题就是：怎么判断这条直线“好不好”？答案是用损失函数。线性回归最常用的损失函数是均方误差（MSE），它把每个数据点的预测值和真实值的差平方后取平均。平方的作用有两个：一是消除正负误差抵消的问题，二是放大较大误差的惩罚力度。这个损失值越小，说明直线拟合效果越好。

梯度下降就是寻找最小损失值的工具。你可以把损失函数想象成一座起伏的山丘，模型参数(w和b)就是你在山丘上的位置坐标，损失值就是当前位置的海拔。梯度下降的策略很简单：算出当前位置的梯度（也就是最陡峭的上升方向），然后朝反方向迈一步。步长就是学习率。每迈一步，参数就更新一次，损失值就下降一点，直到收敛到山底。PyTorch中的optim.SGD或optim.Adam，就是这些“迈步策略”的现成实现。

注意：学习率是这个过程中最敏感的超参数之一。学习率太大会导致损失值震荡甚至发散，太小会让训练变得极其缓慢。在后面实操部分，我会专门演示不同学习率的效果差异。

1.3 为什么选PyTorch而不直接用NumPy

很多入门教程会用NumPy手写线性回归，代码量也不大，几十行就能搞定。但我不推荐新手从那种方式入手，原因很实际：手写方式最大的问题是反向传播需要自己推导梯度公式，一旦模型结构变得复杂（比如加多层、加非线性激活函数），手推梯度的难度会指数级上升，这在深度学习中完全不现实。而PyTorch的autograd机制能自动计算所有参数的梯度，你只管设计模型结构和损失函数，梯度计算交给框架。

另外，PyTorch的代码结构跟深度学习模型的通用开发流程高度一致：定义模型类、定义损失函数、选择优化器、写训练循环。这套流程你在以后学习CNN、RNN、Transformer时依然适用。所以，用PyTorch入门线性回归不是“大材小用”，而是“一举多得”——你学的是框架的核心用法，而不只是一个孤立算法。

2. 环境准备与数据构造：把跑通代码的坑提前踩平

2.1 PyTorch环境搭建的两种方案对比

在写代码之前，先把环境搞定。很多初学者在环境配置这一步就被劝退了，其实问题不大，只要选对安装方式。我推荐两个方案，任选其一即可。

第一个方案是使用Anaconda创建虚拟环境再安装PyTorch。这适合需要在不同项目间切换依赖的情况，比如有的项目要PyTorch 1.x，有的要2.x，虚拟环境可以隔离互不干扰。命令如下：

bash复制conda create -n ml_linear python=3.9
conda activate ml_linear
pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu

第二个方案是直接用pip安装。如果你已经装了Python 3.8以上版本，并且只想快速跑通这个教程，直接pip安装就够了：

bash复制pip install torch
pip install matplotlib

没有GPU的机器完全不用担心，线性回归这种规模的模型，CPU跑起来毫无压力。在PyTorch官网安装页面选择对应操作系统和CUDA版本时，如果没有NVIDIA显卡，直接选CPU版本就行。这里有个很多人会犯的迷糊点：选了CUDA版本的PyTorch，但电脑上没装对应版本的显卡驱动，或者显卡太老不支持，运行时会直接报错说CUDA不可用。所以，只是入门学习的话，先装CPU版本是最省心的。

2.2 构造带噪声的线性数据：让“学习”有据可循

环境准备好之后，我们需要一批“有规律可循”的数据。真实的机器学习是从真实数据集开始的，但作为教学演示，用人工构造数据更可控——我们知道真实的w和b是多少，就能直观检验模型学得准不准。

这里我用一个简单的做法：设定真实的权重w_true = 2.0，偏置b_true = 1.0，然后随机生成100个x值，带入y = 2x + 1之后，再给每个y加上一些随机噪声。这样生成的数据既有明确的线性规律，又不会太“完美”——真实世界的数据总是带噪声的，模型要学的就是在噪声中找到规律。代码如下：

python复制import torch
import matplotlib.pyplot as plt

# 设置随机种子，保证结果可复现
torch.manual_seed(42)

# 生成100个在[-1, 1]区间