一个完整的回归模型训练流程（使用均方误差（MSE）作为损失函数）。

从数据准备到模型训练，再参数更新。

在实际应用中，可能需要根据具体任务调整网络结构、损失函数、优化器等。

代码如下：

• 导入PyTorch库的必要模块。torch 是PyTorch的核心库，torch.nn 用于构建神经网络，torch.optim 用于优化网络参数，DataLoader 和 TensorDataset 用于数据加载和批处理

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, TensorDataset

• 定义一个简单的回归模型。 这里定义了一个名为 Regressor 的类，它继承自 nn.Module。这个类构建了一个简单的前馈神经网络，用于回归任务。网络由三个全连接层组成，第一层将输入从 input_size 维映射到128维，第二层将128维映射到64维，最后一层将64维映射到 output_size 维（对于回归任务，通常是1维）。每一层后面都跟着一个ReLU激活函数，除了最后一层。

# 定义一个简单的回归模型
class Regressor(nn.Module):
    def __init__(self, input_size, output_size):
        super(Regressor, self).__init__()
        self.model = nn.Sequential(
            nn.Linear(input_size, 128),
            nn.ReLU(),
            nn.Linear(128, 64),
            nn.ReLU(),
            nn.Linear(64, output_size)
        )
    #forward 函数定义了数据通过网络的前向传播路径
    def forward(self, x):
        return self.model(x)

# 参数设置
input_size = 86  # 特征数量
output_size = 1  # 回归任务的标签数量

# 创建回归模型
regressor = Regressor(input_size, output_size)

• 定义了损失函数和优化器。对于回归任务，通常使用均方误差损失（MSELoss）。优化器选择了Adam，这是一种自适应学习率的优化算法，适用于大多数情况。lr=0.001 设置了学习率。

# 损失函数和优化器
criterion = nn.MSELoss()  # 均方误差损失
optimizer = optim.Adam(regressor.parameters(), lr=0.001)

• 创建了模拟数据，使用 TensorDataset 将数据和标签封装成一个数据集。

# 假设 data 是一个包含特征的张量，labels 是一个包含连续标签值的张量
data = torch.randn(1000, input_size)  # 特征数据
labels = torch.randn(1000, output_size)  # 连续标签

# 创建数据加载器
dataset = TensorDataset(data, labels)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

训练循环。它遍历指定的epoch次数，每个epoch中，数据被分批次加载，然后执行以下步骤：

• optimizer.zero_grad() 清除之前的梯度。
• outputs = regressor(features) 计算模型的输出。
• loss = criterion(outputs, targets) 计算损失。
• loss.backward() 执行反向传播，计算梯度。
• optimizer.step() 更新模型参数。

每10个批次打印一次损失值，以监控训练进度。

# 训练模型
epochs = 100
for epoch in range(epochs):
    for i, (features, targets) in enumerate(dataloader):
        optimizer.zero_grad()
        outputs = regressor(features)
        loss = criterion(outputs, targets)
        loss.backward()
        optimizer.step()
        
        if (i + 1) % 10 == 0:
            print(f'Epoch [{epoch + 1}/{epochs}], Step [{i + 1}/{len(dataloader)}], Loss: {loss.item():.4f}')

print("Training Complete.")