首页 / 神经网络 / pytorch动态神经网络(拟合)
pytorch动态神经网络(拟合)
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了pytorch动态神经网络(拟合),小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含3155字,纯文字阅读大概需要5分钟。
内容图文
![pytorch动态神经网络(拟合)](/upload/InfoBanner/zyjiaocheng/1036/d31d5ae77fb64013b948e56a1602d133.jpg)
(1)首先要建立数据集
import torch #引用torch模块
import matplotlib.pyplot as plt #引用画图模块
x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)#产生(-1,1)的100个点横坐标,dim表示维度,表示在这里增加第二维
y=x.pow(2)+0.2*torch.rand(x,size())
#0.2*torch.rand(x,size())是为了产生噪点使数据更加真实
(2)建立神经网络
import torch
imoort torch.nn.functional as F #激励函数在这个模块里
class Net (torch.nn.Module): #Net要继承torch中Module
(1)首先有定义(建立)神经网络层
def __init__(self,n_feature,n_hidden,n_output):
#__init__表示初始化数据
super(Net,self).__init__()#Net的对象self转换为类nn.module的对象,然后在用nn.Module的方法使用__init__初始化。
self.hidden=torch.nn.Linear(n_feature,n_hidden)
#建立隐藏层线性输出
self.predict=torch.nn.Linear(n_hidden,n_output)
#建立输出层线性输出
(2)建立层与层之间的关系
def forward (self,x):
# 这同时也是 Module 中的 forward 功能
x=F.relu(self,hidden(x))
#使用激励函数把数据激活
return x #输出数据
net=Net(n_feature=1,n_hidden=10,n_output=1)
#一个隐藏层有10节点,输出层有1节点,输出数数据为一个
(3)训练网络
optimizer=torch.optim.SGD(net.parameter().lr=0.2)#传入 net 的所有参数, lr代表学习率,optimizer是训练工具
loss_func=torch.nn.MSELoss()#预测值和真实值的误差计算公式 (均方差)
for t in range(100):
prediction = net(x) # 喂给 net 训练数据 x, 输出预测值
loss = loss_func(prediction, y) # 计算两者的误差
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() # 将参数更新值施加到 net 的 parameters 上
(四)可视化训练
import matplotlib.pyplot as plt
plt.ion() # 画图
plt.show()
for t in range(200):
...
loss.backward()
optimizer.step()
# 接着上面来
if t % 5 == 0:
# plot and show learning process
plt.cla()
plt.scatter(x.data.numpy(), y.data.numpy())
plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})
plt.pause(0.1)
整体代码如下:
import torch
import matplotlib.pyplot as plt
x=torch.unsqueeze(torch.linspace(-2,2,100),dim=1)
y=x.pow(2)+0.2*torch.rand(x.size())
import torch枣庄人流医院哪家好 http://mobile.0632-3679999.com/
import torch.nn.functional as F
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)
self.predict=torch.nn.Linear(n_hidden,n_output)
def forward(self,x):
x=F.relu(self.hidden(x))
x=self.predict(x)
return x
net=Net(n_feature=1,n_hidden=10,n_output=1)
optimizer=torch.optim.SGD(net.parameters(),lr=0.3)
loss_func=torch.nn.MSELoss()
plt.ion()
plt.show()
for t in range(100):
prediction=net(x)
loss=loss_func(prediction,y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if t % 5 == 0:
plt.cla()
plt.scatter(x.data.numpy(), y.data.numpy())
plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})
plt.pause(0.1)
内容总结
以上是互联网集市为您收集整理的pytorch动态神经网络(拟合)全部内容,希望文章能够帮你解决pytorch动态神经网络(拟合)所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。