PyTorch 深度学习笔记（六）PyTorch 实战——线性回归预测房价完整案例

系列导读：本系列共 6 篇，从 PyTorch 框架入门到实战案例，带你系统掌握深度学习开发。上一篇：张量拼接与自动微分——构建神经网络基础

一、项目概述

1.1 项目目标

通过带噪声的真实数据，让模型学习到**"面积与房价"之间的线性关系**，最终实现对新房屋面积的价格预测，并通过可视化直观展示模型的拟合效果。

1.2 核心 API

1.3 项目流程

准备数据 → 构建模型 → 定义损失+优化器 → 训练循环 → 可视化 → 预测

二、完整代码实现

2.1 导入库

import torch
import torch.nn as nn
import matplotlib.pyplot as plt

# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

2.2 准备带噪声的训练数据

# 生成 100 个数据点：面积范围 50-150 平米
x = torch.linspace(50, 150, 100).view(-1, 1)

# 真实关系：房价 = 3 * 面积 + 50，加入随机噪声
y = 3 * x + 50 + torch.randn(x.shape) * 15

# 查看数据
print(f"数据量: {len(x)}")
print(f"面积范围: {x.min():.1f} ~ {x.max():.1f}")
print(f"房价范围: {y.min():.1f} ~ {y.max():.1f}")

数据说明：

• torch.linspace(50, 150, 100)：生成 50~150 之间的 100 个等差数列
• .view(-1, 1)：reshape 为 (100, 1)，适合模型输入
• torch.randn(x.shape) * 15：加入标准差为 15 的高斯噪声，模拟真实数据

2.3 构建线性回归模型

class LinearModel(nn.Module):
    def __init__(self):
        super().__init__()
        # 输入维度 1（面积），输出维度 1（房价）
        self.linear = nn.Linear(1, 1)
    
    def forward(self, x):
        return self.linear(x)

# 实例化模型
model = LinearModel()

# 查看模型参数
for name, param in model.named_parameters():
    print(f"{name}: {param.data}")
# weight: 随机初始化
# bias: 随机初始化

nn.Linear 原理：

output = weight * input + bias
即：房价 = w * 面积 + b

2.4 定义损失函数和优化器

# 均方误差损失（Mean Squared Error）
criterion = nn.MSELoss()

# 随机梯度下降优化器
# lr=0.00005 是一个很小的学习率，保证稳定收敛
optimizer = torch.optim.SGD(model.parameters(), lr=0.00005)

为什么学习率这么小？

• 数据范围大（50~150），梯度可能很大
• 小学习率避免震荡，保证稳定收敛
• 训练次数足够多（8000 轮），小学习率也能收敛

2.5 训练循环

# 训练 8000 轮
for epoch in range(8000):
    # 1. 前向传播：预测房价
    y_pred = model(x)
    
    # 2. 计算损失
    loss = criterion(y_pred, y)
    
    # 3. 反向传播
    optimizer.zero_grad()  # 清零旧梯度
    loss.backward()        # 计算新梯度
    optimizer.step()       # 更新参数
    
    # 每 1000 轮打印一次
    if (epoch + 1) % 1000 == 0:
        print(f'Epoch [{epoch+1}/8000], Loss: {loss.item():.4f}')

训练过程输出示例：

Epoch [1000/8000], Loss: 234.5678
Epoch [2000/8000], Loss: 189.2341
Epoch [3000/8000], Loss: 156.7890
...
Epoch [8000/8000], Loss: 120.3456

2.6 可视化结果

# 绘制散点图和拟合直线
plt.figure(figsize=(10, 6))

# 真实数据（散点）
plt.scatter(x.numpy(), y.numpy(), s=15, label="真实数据（带噪声）", alpha=0.6)

# 模型预测（红色直线）
plt.plot(x.numpy(), model(x).detach().numpy(), "r-", linewidth=3, label="拟合直线")

plt.xlabel("面积（㎡）", fontsize=12)
plt.ylabel("价格（万元）", fontsize=12)
plt.title("PyTorch 线性回归：面积与房价关系", fontsize=14)
plt.legend(fontsize=11)
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

2.7 查看训练后的模型参数

# 训练完成后，参数应该接近真实值：weight≈3, bias≈50
for name, param in model.named_parameters():
    print(f"{name}: {param.data}")
# 输出示例：
# weight: tensor([[2.95]])
# bias: tensor([52.3])

2.8 预测新数据

print("\n✅ 预测结果：")
test_areas = [75.0, 100.0, 120.0, 150.0]

for area in test_areas:
    # 预测
    pred = model(torch.tensor([[area]]))
    
    # 真实值（无噪声）
    true_price = 3 * area + 50
    
    print(f"{area:6.1f}㎡ → 预测价格：{pred.item():7.2f} 万元 | 真实价格：{true_price:.2f} 万元")

预测输出示例：

✅ 预测结果：
  75.0㎡ → 预测价格： 275.50 万元 | 真实价格：275.00 万元
 100.0㎡ → 预测价格： 350.20 万元 | 真实价格：350.00 万元
 120.0㎡ → 预测价格： 410.80 万元 | 真实价格：410.00 万元
 150.0㎡ → 预测价格： 497.30 万元 | 真实价格：500.00 万元

三、完整代码（可直接运行）

import torch
import torch.nn as nn
import matplotlib.pyplot as plt

# ======================
# 0. 配置
# ======================
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# ======================
# 1. 数据（带噪声）
# ======================
x = torch.linspace(50, 150, 100).view(-1, 1)
y = 3 * x + 50 + torch.randn(x.shape) * 15

# ======================
# 2. 模型
# ======================
class LinearModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = nn.Linear(1, 1)
    
    def forward(self, x):
        return self.linear(x)

model = LinearModel()

# ======================
# 3. 损失 + 优化器
# ======================
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.00005)

# ======================
# 4. 训练
# ======================
for epoch in range(8000):
    y_pred = model(x)
    loss = criterion(y_pred, y)
    
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    if (epoch + 1) % 1000 == 0:
        print(f'Epoch [{epoch+1}/8000], Loss: {loss.item():.4f}')

# ======================
# 5. 可视化
# ======================
plt.figure(figsize=(10, 6))
plt.scatter(x.numpy(), y.numpy(), s=15, label="真实数据（带噪声）", alpha=0.6)
plt.plot(x.numpy(), model(x).detach().numpy(), "r-", linewidth=3, label="拟合直线")
plt.xlabel("面积（㎡）", fontsize=12)
plt.ylabel("价格（万元）", fontsize=12)
plt.title("PyTorch 线性回归：面积与房价关系", fontsize=14)
plt.legend(fontsize=11)
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

# ======================
# 6. 查看参数 + 预测
# ======================
print("\n📊 训练后模型参数：")
for name, param in model.named_parameters():
    print(f"{name}: {param.data}")

print("\n✅ 预测结果：")
for area in [75.0, 100.0, 120.0, 150.0]:
    pred = model(torch.tensor([[area]]))
    true = 3 * area + 50
    print(f"{area:6.1f}㎡ → 预测：{pred.item():7.2f}万元 | 真实：{true:.2f}万元")

四、训练过程原理图解

数据输入 x → [nn.Linear] → 预测 ŷ → [MSELoss] → 计算损失
                                    ↑
                                对比真实 y
                                    ↓
                              [loss.backward()] → 计算梯度
                                    ↓
                              [optimizer.step()] → 更新参数
                                    ↓
                              循环 8000 次 → 损失下降 → 拟合更好

五、系列总结

通过 6 篇笔记，我们从零开始系统学习了 PyTorch：

六、进阶学习路线

1. 深度学习基础：反向传播、激活函数、正则化
2. 卷积神经网络（CNN）：图像分类、目标检测
3. 循环神经网络（RNN/LSTM）：序列建模、文本生成
4. Transformer：注意力机制、BERT、GPT
5. 生成模型：GAN、VAE、Diffusion
6. 模型部署：ONNX、TensorRT、移动端适配

附录：推荐阅读

• PyTorch 官方文档
• PyTorch 官方教程
• 动手学深度学习（李沐）
• PyTorch Lightning

如果这篇系列文章对你有帮助，欢迎点赞、收藏、关注！你的支持是我持续创作的动力。

全套 6 篇 PyTorch 笔记已完结，感谢陪伴！🎉