每天给小编五分钟，小编用自己的代码，带你轻松学习人工智能！本文将会带你做完一个深度学习进阶项目，让你熟练掌握线性回归这一深度学习经典模型，然后在此基础上，小编将在下篇文章带你通过此模型实现对股票涨幅的预测。野蛮智能，小白也能看懂的人工智能。

线性回归

干货快递点：

• 线性回归是什么？假如给定数据集{[x1,y1],[x2,y2][x3,y3]……}，线性回归希望用一个近似函数来描述这组数据，这个数据集里y的影响因素只有一个就是x，那描述的结果应该就是y = wx + b这样一条直线。这时就把这个解题模型叫做一维线性回归。以此类推，当我们给定一组数据集{[x11,x12,x13,x14,y1],[x21,x22,x23,x24,y2],[x31,x32,x33,x34,y3]……}，可以看到这组数据有4个自变量，一个因变量，就可以把它称为多维线性回归，对应产生的直线也是更高维度的，所以总结一下：线性回归目的是创造一条线，使这条线尽可能多的经过我们的数据点，从而显现出数据的一般规律，进而预测出更多的规律。
• 线性回归的优势：也许你看完上边的解释，你会觉得线性回归技术含量太低，但是，越简单越实用，这确实人工智能领域经久不衰的数学模型之一，面对比较复杂的现实问题，我们只要用更高的维度来描述，就可以把这组数据的规律描述清楚。而且这个模型的可解释性好，所有的参数和对应的权重，我们都可以清晰地看到对应的含义。所以当前很多应用问题，我们都是用的这个模型的基础上变化出很多版本来使用。都获得了很好的效果。
• 线性回归的应用：既然线性回归创造的这条线拟合了过去的数据，那么数据的规律就蕴藏在这条线中，可以用它来实现未来的预测，所以在下篇文章中，小编将带着大家做一个真正的，股票市场的涨幅预测模型。
• 另一个应用是描述权重，通过线性回归，可以得到不同属性对最后结果的影响大小。进而帮助为我们选择其他数学模型提供信息支持。

代码配送站：

如果你还没有搭建好自己的深度学习模型。参考小编的文科生也能看懂的深度学习入门宝典：pytorch+tensorflow快速上手，快速搭建你的深度学习环境。下面进入实战。

以下是小编的代码，为了帮助大家多多练习，特意印成了图片格式。

在这段代码中，首先是导入必要的包，其中第一二行的matplotlib.pyplot和numpy是用来画图的，torch.nn是神经网络模组，用来进行神经网络的相关处理。Variable是将张量转换为变量的函数。

然后构建数据想x_train和y_train，一共12组，即为12个点。然后用matplotlib工具的scatter和show将这12个点画出来。运行结果如下图所示：

class内的部分，定义了这个训练的模型，也就是线性回归，先用super初始化，然后调用nn.linear创建一层神经元。然后使用前向传播并返回执行结果。if_else部分是这个线性回归模型放在GPU或者CPU上的选择。优先放在GPU上，没有GPU就使用CPU。

criterion = nn.MSELoss()定义了损失函数。optimizer定义了优化器，选择使用的是SGD（梯度下降）。最后就是进行训练了，我们设定迭代1000次，然后把数据放在GPU上（或者CPU上），然后将输入数据装入模型，保存模型运行出来的结果out。然后算出loss值，在进行梯度优化前进行归零，对loss值求导后进行梯度优化。等待三到五秒，模型训练完毕。中间输出以下结果。

然后进行模型测试，首先需要将模型的状态转为测试，通过eval()完成。然后将原来的训练集传入测试，观察输出的预测值。中间需要注意下述部分：

predict = model(Variable(x_train).cuda())#如果你是cpu模式的，就不用输入”.cuda()”了，这部分代码功能是将数据放到GPU上。

predict = predict.data.cpu().numpy()#同样的道理，如果你是CPU模式，也不用输入”.cpu()”部分了，这部分功能是将GPU数转换为CPU数，因为numpy只能运行在cpu上。最后依旧利用plot画图工具，得到如下测试结果。

整体效果，还不错，那么自己也去敲一遍代码吧。出现问题，可以在评论区留言，小编看到就会回的。野蛮智能，小白也能看懂的人工智能，欢迎大家跟小编一起来学习。