class LinearRegression:
    def get_loss(self, preds, y):
        """
            @param preds: предсказания модели
            @param y: истиные значения
            @return mse: значение MSE на переданных данных
        """
        # возьмите средний квадрат ошибки по всем выходным переменным
        # то есть сумму квадратов ошибки надо поделить на количество_элементов * количество_таргетов
        return torch.sum((y-preds)**2)/(y.shape[0]*y.shape[1])#YOUR_CODE

    def init_weights(self, input_size, output_size):
        """
            Инициализирует параметры модели
            W - матрица размерности (input_size, output_size)
            инициализируется рандомными числами из
            нормального распределения (np.random.normal)
            со средним 0 и стандартным отклонением 0.01
            b - вектор размерности (1, output_size)
            инициализируется нулями
        """
        torch.manual_seed(0)
        np.random.seed(0)
        self.W = np.random.normal(size=(input_size, output_size), scale=0.01)#YOUR_CODE
        self.W = np.vstack((self.W, np.zeros((1, output_size))))
        self.W = torch.from_numpy(self.W)
        self.W.requires_grad = True

    def fit(self, X, y, num_epochs=1000, lr=0.001):
        """
            Обучение модели линейной регрессии методом градиентного спуска
            @param X: размерности (num_samples, input_shape)
            @param y: размерности (num_samples, output_shape)
            @param num_epochs: количество итераций градиентного спуска
            @param lr: шаг градиентного спуска
            @return metrics: вектор значений MSE на каждом шаге градиентного
            спуска.
        """
        self.init_weights(X.shape[1], y.shape[1])
        metrics = []
        for _ in range(num_epochs):
            preds = self.predict(X)
            self.get_loss(preds, y).backward()
            with torch.no_grad():
                self.W -= lr*self.W.grad
            # сделайте вычисления градиентов c помощью Pytorch и обновите веса
            # осторожнее, оберните вычитание градиента в
#                 with torch.no_grad():
#                     #some code
            # иначе во время прибавления градиента к переменной создастся очень много нод в дереве операций
            # и ваши модели в будущем будут падать от нехватки памяти
            #YOUR_CODE
            #YOUR_CODE
            #YOUR_CODE
            #YOUR_CODE
            self.W.grad.data.zero_()
            metrics.append(self.get_loss(preds, y).data)
        return metrics

    def predict(self, X):
        """
            Думаю, тут все понятно. Сделайте свои предсказания :)
        """
        nnX = X.numpy()
        nnX = np.hstack((nnX, (np.ones((nnX.shape[0], 1)))))
        nnX = torch.from_numpy(nnX)
        return [email protected]#YOUR_CODE