回归（regression）是监督学习的一种，回归分析的任务是通过训练数据集D学习到一个模型T，使得模型T能够尽量拟合训练数据集D，并且对于新的输入数据x，应用模型T能够得到预测结果f(x)。
回归与分类是监督学习的两种形式，它们的区别在于回归的预测值是一连续的实数，而分类的预测值是离散的类别数据。
或者说回归问题的预测结果是连续的，比如说要预测某一天的气温，那预测出来24小时的温度就是连续的，而分类问题通常用于给事物打上一个标签，比如猫和狗的分类问题。
今天跟着莫烦Python学习搭建了一个简单的回归问题的神经网络
实验的结果如下图所示，通过不断训练模型，最终可以看到红色的曲线拟合数据集的结果，而且损失函数在不断地减小，说明预测值和真实值的误差在不断地减小
建立数据集
# unsqueeze()把一维数据变成二维数据x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)y=x.pow(2)+0.2*torch.rand(x.size())建立神经网络
torch中有神经网络（Neural Networks）的包nn，而nn.Module是所有网络层的父类，如果我们要自己实现层，就要继承该类
在本实验中我们构建只有一个隐藏层的神经网络，在初始化时定义层与层间的连接关系为两个nn的线性全连接
Linear的创建传入的两个参数是输入节点数和输出节点数
我们只要在nn.Module的子类中定义forward函数，backward函数就会被自动实现
forward函数
class Net(torch.nn.Module): def __init__(self,n_feature,n_hidden,n_output): super(Net,self).__init__() self.hidden=torch.nn.Linear(n_feature,n_hidden) # 隐藏层线性输出 self.predict=torch.nn.Linear(n_hidden,n_output) # 输出层线性输出 def forward(self,x): # 正向传播输入值，神经网络分析输出值 x=F.relu(self.hidden(x)) #激励函数 x=self.predict(x) #输出值 return xnet=Net(n_feature=1,n_hidden=10,n_output=1)print(net) #打印net的结构训练网络
# optimizer是训练的工具optimizer=torch.optim.SGD(net.parameters(),lr=0.2) # 传入net的所有参数，学习率loss_func=torch.nn.MSELoss() #真实值和预测值的误差计算公式（均方差）for t in range(200): prediction=net(x) loss=loss_func(prediction,y) optimizer.zero_grad() #清空上一步的残余更新参数值 loss.backward() #误差反向传播，计算参数更新值 optimizer.step() #更新参数