每天给小编五分钟，小编用自己的代码，带你轻松学习深度学习！本文将会带你做完一个深度学习进阶版的线性回归---多项式线性回归，带你进一步掌握线性回归这一深度学习经典模型，然后在此基础上，小编将在下篇文章带你实现神经网络，并且用它实现对数据集的训练。野蛮智能，小白也能看懂的人工智能。

本文代码环境：Anaconda3+pytorch1.0，python版本为3.4-3.6，如果你还没有搭建好环境，可以参考小编的：文科生也能看懂的深度学习入门宝典：pytorch+tensorflow快速上手

关于多项式线性回归的前生今世小编已经在深度学习模型速成，三分钟解决经典线性回归模型(附完整代码)进行了讲解。本文要讲的是一个进阶版的线性回归---多项式线性回归。

多项式线性回归

多项式线性回归的最大优点就是把原来的x1,x2,x3，这些数据更加多层次的描述变成了，例如x1，就变成了三个对应权重分别乘以x1的一次方，x1的二次方，x1的三次方。这样做的好处是可以更加准确的描述数据的特点。方便我们在选择其他模型前，对数据有一个更好地预估。

多项式线性回归代码实现

讲解完了多项式线性回归的基本原理，下面进入代码的实现。代码如下：

代码略微有点长，但还是希望大家耐心看完。首选是导入必要的包，这一步操作和小编的深度学习模型速成，三分钟解决经典线性回归模型一文中的操作是一样一样的。然后make features​函数是将原来的数据进行升维操作。将原来的数据由{x1,x2,x3,x4}，变成{[x1**1,x1**2,x1**3],[x2**1,x2**2,x2**3]}，然后数据就从一个维度变为了三个维度，这样可以更加具体的描述数据。画出来的曲线也更加具体，准确。

然后定义数据，定义好我们的数据集：x，和y=wx+b，这是我们希望将x作为数据集后训练得到的最拟合的结果。(注意，这里的w和x是矩阵，所以她们的乘法要用mm，mm指的是矩阵乘法)。最终通过，f(x)这一函数得到结果。

然后get_batch函数定义了一组训练集，和对应的结果y。并将其返回。poly_model是我们定义的模型。criterion指的是损失函数，optimizer选择了梯度下降法进行优化。最后在while(ture)下进行训练。

测试结果如下：

为了方便大家对比，我把蓝点向上移了一个单位。通过对比，我们发现，结果还是很准确的。野蛮智能，小白也能看懂的人工智能。欢迎大家评论。

​