PyTorch线性回归调试实战：从数据流到梯度检查

1. 问题定位与调试思路

作为一名长期与Python打交道的开发者，我深知调试代码时那种"明明逻辑都对但就是跑不通"的挫败感。让我们先来梳理这个线性回归案例的核心问题：

从错误描述和代码来看，主要存在两个关键问题：

1. 数据批处理函数data_provider中返回的get_label错误地引用了data而非label
2. 损失计算时张量形状不匹配（batch_y.shape异常）

经验之谈：PyTorch中90%的报错都源于张量形状不匹配。养成在每个关键步骤检查.shape的习惯能节省大量调试时间。

1.1 数据流验证

正确的数据流应该是：
原始数据生成 → 批处理分割 → 前向计算 → 损失计算 → 反向传播 → 参数更新

当前代码在批处理环节就出现了数据污染：

python复制# 错误实现
get_label = data[get_indices]  # 错误地返回了特征数据

# 正确实现应为
get_label = label[get_indices]

这个错误会导致：

1. 损失计算时用特征数据代替了真实标签
2. 后续所有梯度计算基于错误数据
3. 模型完全无法学到正确规律

2. 完整调试过程实录

2.1 数据生成验证

首先验证数据生成部分是否正确：

python复制print(f"X shape: {X.shape}, Y shape: {Y.shape}") 
# 应输出：X shape: torch.Size([500,4]), Y shape: torch.Size([500])

plt.figure(figsize=(10,6))
for i in range(4):
    plt.scatter(X[:,i], Y, s=1, label=f'Feature {i}')
plt.legend()
plt.show()

可视化确认：

• 每个特征与标签应呈现线性关系
• 噪声幅度在合理范围（约±0.01）

2.2 批处理函数修正

重写数据加载器：

python复制def data_provider(data, label, batchsize):
    length = len(label)
    indices