【pytorch】线性神经网络

最新推荐文章于 2025-03-03 23:22:46 发布

原创最新推荐文章于 2025-03-03 23:22:46 发布 · 460 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #pytorch #深度学习

笔记同时被 3 个专栏收录

52 篇文章

订阅专栏

神经网络

28 篇文章

订阅专栏

Python

21 篇文章

订阅专栏

这篇博客展示了如何使用PyTorch库构建一个简单的全连接神经网络，即线性回归模型。通过初始化权重和偏置，设置损失函数和优化器，博主训练模型并验证其在模拟数据集上的性能。讨论了多层神经网络的函数拟合能力，并提供了完整的代码实现。

部署运行你感兴趣的模型镜像

除了使用自己定义模型的方法，也可以用torch提供的神经网络模型。
可以将其理解为只有输入层和输出层的全连接网络。

神经网络

from torch import nn
net = nn.Sequential(nn.Linear(4 , 1))
net[0].weight.data.normal_(0,0.01)
net[0].bias.data.fill_(0)
loss = nn.MSELoss()
trainer = torch.optim.SGD(net.parameters(), lr=0.001)

根据全连接网络的特性，不难发现，这就是一个线性回归模型。这也解释了，为什么现在的神经网络层数要如此只深。
因为多层的神经网络可以拟合任意函数，这一点也是被证明了的。

完整代码

#!/usr/bin/env python
# coding: utf-8

# In[1]:


import numpy as np
import torch
from torch.utils import data


# In[2]:


def data_maker(w, b, n_size): # y=w*x+b,n个数据
    X = torch.normal(0 , 1 , (n_size , len(w))) # n*len(w)的参数
    y = torch.matmul(X , w) + b
    y = y + torch.normal(0, 0.01 , y.shape)
    return X , y.reshape((-1 , 1))
W = torch.tensor([4.0 , 2.3 , 121313,312233])
B = 1
x , y = data_maker(W, B, 1000)


# In[3]:


def load_array(data_arrays , batch_size , is_train = True):
    dataset = data.TensorDataset(*data_arrays)
    return data.DataLoader(dataset , batch_size , shuffle = is_train)


# In[4]:


batch_size = 10
data_iter = load_array((x , y) , batch_size)


# In[5]:


from torch import nn
net = nn.Sequential(nn.Linear(4 , 1))
net[0].weight.data.normal_(0,0.01)
net[0].bias.data.fill_(0)
loss = nn.MSELoss()
trainer = torch.optim.SGD(net.parameters(), lr=0.001)
epochs = 600


# In[6]:


for epoch in range(epochs):
    for X, Y in data_iter:
        l = loss(net(X), Y)
        trainer.zero_grad()
        l.backward()
        trainer.step()
        pass
    l = loss(net(x) , y)
    print(f'epoch{epoch + 1}, loss {l}')