代码：
import torch
import numpy as np
import torch.nn as nn
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score# 定义数据：x_data 是特征，y_data 是标签（目标值）
data = [[-0.5, 7.7],[1.8, 98.5],[0.9, 57.8],[0.4, 39.2],[-1.4, -15.7],[-1.4, -37.3],[-1.8, -49.1],[1.5, 75.6],[0.4, 34.0],[0.8, 62.3]]# 将数据转为 numpy 数组
data = np.array(data)# 提取 x_data 和 y_data
x_data = data[:, 0] # 取第一列作为输入特征
y_data = data[:, 1] # 取第二列作为目标标签# 将数据转换为 PyTorch 张量
x_train = torch.tensor(x_data, dtype=torch.float32) # 输入特征
y_train = torch.tensor(y_data, dtype=torch.float32) # 目标标签# 使用 TensorDataset 来创建一个数据集
from torch.utils.data import DataLoader, TensorDatasetdataset = TensorDataset(x_train, y_train) # 使用训练数据创建数据集
dataloader = DataLoader(dataset, batch_size=2, shuffle=True) # 将数据集转换为 DataLoader，批大小为 2，且每个 epoch 都会随机打乱数据# 定义损失函数：均方误差损失 (MSELoss)
criterion = nn.MSELoss()# 定义线性回归模型
class LinearModel(nn.Module):def __init__(self):super(LinearModel, self).__init__()# 使用一个线性层，输入为1维，输出为1维self.layers = nn.Linear(1, 1)def forward(self, x):# 直接返回线性层的输出return self.layers(x)model=LinearModel()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
epoches =500
for n in range(1,epoches+1):epoch_loss=0#以前都是所有数据一块训练，现在是按照批次进行训练for batch_x,batch_y in dataloader:#现在x_train 相当于10个样本，但是现在维度，添加一个维度#10x1 变成样本 x 维度形式y_prd=model(batch_x.unsqueeze(1))#计算损失#y_prd在前面，y_true 是后面batch_loss=criterion(y_prd.squeeze(1),batch_y)#梯度更新#清空之前存储在优化器中的梯度optimizer.zero_grad()#损失函数对模型参数的梯度batch_loss.backward()#根据优化算法更新参数optimizer.step()#计算一下epoch的损失epoch_loss=epoch_loss+batch_loss# 5、显示频率设置#计算一下epoch的平均损失avg_loss=epoch_loss/(len(dataloader))# 不先画图if n % 10 == 0 or n == 1:print(f"epoches:{n},loss:{avg_loss}")torch.save(model.state_dict(),'model.pth')model.load_state_dict(torch.load("model.pth"))
#评估模型
# 评估模型一定要加下面这句话
model.eval()
# 定义数据
x_test=torch.tensor([[1.8]],dtype=torch.float32)
#添加上下文不需要计算梯度
with torch.no_grad():y_pred=model(x_test)threshold = 50 # 设定阈值
y_pred_class = int(y_pred.item() > threshold)# 输出预测结果
print(f"预测值 : {y_pred.item():.4f}")
print(f"预测类 : {y_pred_class}")# 假设真实标签也是 1 或 0，我们用一个假的真实标签来计算评估指标（你可以根据实际情况替换）
y_true_class = 1 if y_data[1] > threshold else 0 # 假设我们预测的是第二个样本# 计算精确度、召回率和 F1 分数
accuracy = accuracy_score([y_true_class], [y_pred_class])
precision = precision_score([y_true_class], [y_pred_class])
recall = recall_score([y_true_class], [y_pred_class])
f1 = f1_score([y_true_class], [y_pred_class])# 输出分类评估指标
print(f"precision : {precision:.4f}")
print(f"recall : {recall:.4f}")
print(f"f1 : {f1:.4f}")
结果：
