每天給小編五分鐘，小編用自己的代碼，帶你輕鬆學習深度學習！本文將會帶你做完一個深度學習進階版的線性迴歸---多項式線性迴歸，帶你進一步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實現神經網絡，並且用它實現對數據集的訓練。野蠻智能，小白也能看懂的人工智能。
本文代碼環境：Anaconda3+pytorch1.0，python版本為3.4-3.6，如果你還沒有搭建好環境，可以參考小編的：
關於多項式線性迴歸的前生今世小編已經在 進行了講解。本文要講的是一個進階版的線性迴歸---多項式線性迴歸。
多項式線性迴歸
多項式線性迴歸的最大優點就是把原來的x1,x2,x3，這些數據更加多層次的描述變成了，例如x1，就變成了三個對應權重分別乘以x1的一次方，x1的二次方，x1的三次方。這樣做的好處是可以更加準確的描述數據的特點。方便我們在選擇其他模型前，對數據有一個更好地預估。
多項式線性迴歸代碼實現
講解完了多項式線性迴歸的基本原理，下面進入代碼的實現。代碼如下：
代碼略微有點長，但還是希望大家耐心看完。首選是導入必要的包，這一步操作和小編的深度學習模型速成，三分鐘解決經典線性迴歸模型一文中的操作是一樣一樣的。然後make features函數是將原來的數據進行升維操作。將原來的數據由{x1,x2,x3,x4}，變成{[x1**1,x1**2,x1**3],[x2**1,x2**2,x2**3]}，然後數據就從一個維度變為了三個維度，這樣可以更加具體的描述數據。畫出來的曲線也更加具體，準確。
然後定義數據，定義好我們的數據集：x，和y=wx+b，這是我們希望將x作為數據集後訓練得到的最擬合的結果。（注意，這裡的w和x是矩陣，所以她們的乘法要用mm，mm指的是矩陣乘法）。最終通過，f(x)這一函數得到結果。
然後get_batch函數定義了一組訓練集，和對應的結果y。並將其返回。poly_model是我們定義的模型。criterion指的是損失函數，optimizer選擇了梯度下降法進行優化。最後在while（ture）下進行訓練。
測試結果如下：
為了方便大家對比，我把藍點向上移了一個單位。通過對比，我們發現，結果還是很準確的。野蠻智能，小白也能看懂的人工智能。歡迎大家評論。
閱讀更多 野蠻智能 的文章
