在线性神经网络中，线性回归是一种常见的任务，用于预测一个连续的数值输出。其目标是根据输入特征来拟合一个线性函数，使得预测值与真实值之间的误差最小化。
  线性回归的数学表达式为：y = w1x1 + w2x2 + … + wnxn + b
  其中，y表示预测的输出值，x1, x2, …, xn表示输入特征，w1, w2, …, wn表示特征的权重，b表示偏置项。
  训练线性回归模型的目标是找到最优的权重和偏置项，使得模型预测的输出与真实值之间的平方差（即损失函数）最小化。这一最优化问题可以通过梯度下降等优化算法来解决。
  线性回归在深度学习中也被广泛应用，特别是在浅层神经网络中。在深度学习中，通过将多个线性回归模型组合在一起，可以构建更复杂的神经网络结构，以解决更复杂的问题。

from torch import nn#"nn"是神经网络的缩写net = nn.Sequential(nn.Linear(2,1))#输入维度2，输出维度1
loss = nn.MSELoss()#均分误差函数
#实例化SGD
trainer = torch.optim.SGD(net.parameters(),lr=0.03)#参数、学习率
num_epochs=8
for epoch in range(num_epochs):for X, y in data_iter:#拿出一批量x，yl = loss(net(X), y)  # X和y的小批量损失,实际的和预测的trainer.zero_grad()l.backward()trainer.step()  # 使用参数的梯度更新参数l = loss(net(features),labels)print(f'epoch {epoch + 1}, loss {l:f}')