每天給小編五分鐘，小編用自己的代碼，帶你輕鬆學習人工智能！本文將會帶你做完一個深度學習進階項目，讓你熟練掌握線性迴歸這一深度學習經典模型，然後在此基礎上，小編將在下篇文章帶你通過此模型實現對股票漲幅的預測。野蠻智能，小白也能看懂的人工智能。
線性迴歸
乾貨快遞點：
- 線性迴歸是什麼？假如給定數據集{[x1,y1],[x2,y2][x3,y3]……}，線性迴歸希望用一個近似函數來描述這組數據，這個數據集裡y的影響因素只有一個就是x，那描述的結果應該就是y = wx + b這樣一條直線。這時就把這個解題模型叫做一維線性迴歸。以此類推，當我們給定一組數據集{[x11,x12,x13,x14,y1],[x21,x22,x23,x24,y2],[x31,x32,x33,x34,y3]……}，可以看到這組數據有4個自變量，一個因變量，就可以把它稱為多維線性迴歸，對應產生的直線也是更高維度的，所以總結一下：線性迴歸目的是創造一條線，使這條線儘可能多的經過我們的數據點，從而顯現出數據的一般規律，進而預測出更多的規律。
- 線性迴歸的優勢：也許你看完上邊的解釋，你會覺得線性迴歸技術含量太低，但是，越簡單越實用，這確實人工智能領域經久不衰的數學模型之一，面對比較複雜的現實問題，我們只要用更高的維度來描述，就可以把這組數據的規律描述清楚。而且這個模型的可解釋性好，所有的參數和對應的權重，我們都可以清晰地看到對應的含義。所以當前很多應用問題，我們都是用的這個模型的基礎上變化出很多版本來使用。都獲得了很好的效果。
- 線性迴歸的應用：既然線性迴歸創造的這條線擬合了過去的數據，那麼數據的規律就蘊藏在這條線中，可以用它來實現未來的預測，所以在下篇文章中，小編將帶著大家做一個真正的，股票市場的漲幅預測模型。
- 另一個應用是描述權重，通過線性迴歸，可以得到不同屬性對最後結果的影響大小。進而幫助為我們選擇其他數學模型提供信息支持。
代碼配送站：
如果你還沒有搭建好自己的深度學習模型。參考小編的 ，快速搭建你的深度學習環境。下面進入實戰。
以下是小編的代碼，為了幫助大家多多練習，特意印成了圖片格式。
在這段代碼中，首先是導入必要的包，其中第一二行的matplotlib.pyplot和numpy是用來畫圖的，torch.nn是神經網絡模組，用來進行神經網絡的相關處理。Variable是將張量轉換為變量的函數。
然後構建數據想x_train和y_train，一共12組，即為12個點。然後用matplotlib工具的scatter和show將這12個點畫出來。運行結果如下圖所示：
class內的部分，定義了這個訓練的模型，也就是線性迴歸，先用super初始化，然後調用nn.linear創建一層神經元。然後使用前向傳播並返回執行結果。if_else部分是這個線性迴歸模型放在GPU或者CPU上的選擇。優先放在GPU上，沒有GPU就使用CPU。
criterion = nn.MSELoss()定義了損失函數。optimizer定義了優化器，選擇使用的是SGD（梯度下降）。最後就是進行訓練了，我們設定迭代1000次，然後把數據放在GPU上（或者CPU上），然後將輸入數據裝入模型，保存模型運行出來的結果out。然後算出loss值，在進行梯度優化前進行歸零，對loss值求導後進行梯度優化。等待三到五秒，模型訓練完畢。中間輸出以下結果。
然後進行模型測試，首先需要將模型的狀態轉為測試，通過eval()完成。然後將原來的訓練集傳入測試，觀察輸出的預測值。中間需要注意下述部分：
predict = model(Variable(x_train).cuda())#如果你是cpu模式的，就不用輸入".cuda()"了，這部分代碼功能是將數據放到GPU上。
predict = predict.data.cpu().numpy()#同樣的道理，如果你是CPU模式，也不用輸入".cpu()"部分了，這部分功能是將GPU數轉換為CPU數，因為numpy只能運行在cpu上。最後依舊利用plot畫圖工具，得到如下測試結果。
整體效果，還不錯，那麼自己也去敲一遍代碼吧。出現問題，可以在評論區留言，小編看到就會回的。野蠻智能，小白也能看懂的人工智能，歡迎大家跟小編一起來學習。
閱讀更多 野蠻智能 的文章
