PyTorch入门指南 – 构建你的第一个线性模型
PyTorch入门指南 - 打造你的第一个线性模型
学习如何使用“神奇”的线性层构建你的第一个PyTorch模型
在我之前的博客文章中，我们学习了如何使用PyTorch张量，这是PyTorch库中最重要的对象。张量是深度学习模型的基础，因此我们可以使用它们来拟合我们的数据集上的简单机器学习模型。
虽然PyTorch以其深度学习能力而闻名，但我们也可以使用该框架来拟合简单的线性模型-事实上，这是熟悉torch API的最佳方式之一！
在本博客文章中，我们将继续PyTorch入门系列，通过使用torch库来实现一个简单的线性回归。在这个过程中，我们将了解torch优化器、权重和其他学习模型的参数，这对于更复杂的架构将非常有用。
让我们开始吧！
加载和处理数据
对于本博客文章，我们将使用歌曲流行度数据集，我们将根据一些歌曲特征来预测一首歌的流行度。让我们查看以下数据集的前几行：
songPopularity = pd.read_csv(‘./data/song_data.csv’)
该数据集的一些特征包括关于每首歌曲的有趣指标，例如：
- 歌曲的“能量”水平
- 歌曲音调的标签编码（例如A、B、C、D等）
- 歌曲的响度
- 歌曲的节奏。
我们的目标是使用这些特征来预测歌曲的流行度，一个从0到100的指数。在上面的示例中，我们的目标是预测以下歌曲流行度：
与使用sklearn不同，我们将使用PyTorch模块来预测这个连续变量。学习如何在pytorch中拟合线性回归的好处？我们将获得的知识可以应用于…
