• 企业400电话
  • 微网小程序
  • AI电话机器人
  • 电商代运营
  • 全 部 栏 目

    企业400电话 网络优化推广 AI电话机器人 呼叫中心 网站建设 商标✡知产 微网小程序 电商运营 彩铃•短信 增值拓展业务
    pytorch动态神经网络(拟合)实现

    (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)
    

    会得到如下图像:

    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
    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)
    

    【参考文献】https://mofanpy.com/tutorials/machine-learning/torch/regression/

    到此这篇关于pytorch动态神经网络(拟合)实现的文章就介绍到这了,更多相关pytorch动态神经网络内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

    您可能感兴趣的文章:
    • pytorch之深度神经网络概念全面整理
    • pytorch 搭建神经网路的实现
    • Pytorch实现神经网络的分类方式
    • 对Pytorch神经网络初始化kaiming分布详解
    • PyTorch一小时掌握之神经网络气温预测篇
    上一篇:python实现自幂数的示例代码
    下一篇:Python获取B站粉丝数的示例代码
  • 相关文章
  • 

    © 2016-2020 巨人网络通讯 版权所有

    《增值电信业务经营许可证》 苏ICP备15040257号-8

    pytorch动态神经网络(拟合)实现 pytorch,动态,神经网络,拟合,