pytorch全连接模型实现离散点回归拟合

神经网络可作为一个函数,例如x为训练样本矩阵,f为神经网络,则f(x)会得到一个输出,输出表示啥取决于训练目的和训练过程。
本文章讲解以拟合为设计目的的全连接神经网络模型,神经网络即可进行线性回归,也可进行非线性回归,并且是还是分段拟合,线性与非线性取决于激活函数!

先来简单的一元二次函数:
看代码:
x = torch.unsqueeze(torch.linspace(-1,1,100),dim=1)
y = x.pow(2)+0.2*torch.rand(x.size())
plt.scatter(x.data.numpy(),y.data.numpy())
plt.show()
其图像为:
在这里插入图片描述
采用线性激活函数版本:
import torch
import torch.nn.functional as F#激活函数都在这里
import matplotlib.pyplot as plt

#假数据:y = a*x^2+b,增加一些噪点,显得更加真实

x = torch.unsqueeze(torch.linspace(-1,1,100),dim=1)

y = x.pow(2)+0.2*torch.rand(x.size())

#画图

plt.scatter(x.data.numpy(),y.data.numpy())

plt.show()

class Net(torch.nn.Module):
def init(self,n_featuer,n_hidden1,n_hidden2,n_output):
super(Net,self).

全连接神经网络(Fully Connected Neural Network,FCNN)是一种常用的深度学习模型,它通过层层节之间的线性变换和非线性激活函数组合来处理输入数据。当我们想用它来拟合复杂的数据曲线时,通常会经历以下几个步骤: 1. **准备数据**:首先,你需要有一个训练集,包含输入特征(X)和对应的标签(Y)。对于拟合曲线的例子,输入可能是二维坐标,输出可能是该应该落在的目标曲线上的值。 2. **构建模型**:创建一个简单的全连接网络,比如有隐藏层和输出层。隐藏层可以有多层,每一层都有多个神经元,并使用像ReLU、sigmoid或tanh这样的激活函数。输出层则通常选择合适的激活函数(如线性对于回归,softmax用于分类),以便对应于目标变量的连续范围或离散类别。 3. **初始化权重**:随机或使用特定策略(如He初始化或 Xavier初始化)设置网络的权值,这是学习过程的基础。 4. **前向传播**:将输入通过网络,计算每个节的输出,并传递到下一层,直至最后到达输出层得到预测值。 5. **损失计算**:用一个适合的损失函数(如均方误差、交叉熵等)比较预测值和实际标签,衡量模型的性能。 6. **反向传播**:根据损失梯度更新所有权重,优化网络结构以减小损失。 7. **训练循环**:多次遍历训练集(训练迭代次数),每次迭代都执行前向传播和反向传播,直到达到预设的训练轮数或损失收敛。 8. **评估和调整**:用测试集验证模型的泛化能力,如果性能不佳,可能需要调整网络架构、学习率或其他超参数。 一个具体的例子可以使用Python的深度学习库Keras或PyTorch实现。如果你想要一个代码实例,我可以提供一个简化的代码片段,但需要注意的是,这只是一个概述,实际应用需要更多的细节和技术处理。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值