在pytorch自定义net实现回归算法

原创

已于 2023-03-26 23:13:26 修改 · 196 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #回归 #python

于 2023-03-19 23:18:59 首次发布

该文展示了如何利用PyTorch库创建一个具有单个输入、10个隐藏神经元和单个输出的神经网络。网络采用ReLU激活函数，使用SGD优化器和MSELoss损失函数进行训练，并通过可视化预测结果展示学习过程。

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
y = x.pow(2) + 0.2 * torch.rand(x.size())
x, y = Variable(x), Variable(y)

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

‘’’
通常神经层都包括输入层、隐藏层和输出层。这里的输入层只有一个属性，所以我们就只有一个输入；
隐藏层我们可以自己假设，这里我们假设隐藏层有10个神经元；输出层和输入层的结构是一样的，所以我们的输出层也是只有一层。
所以，我们构建的是——输入层1个、隐藏层10个、输出层1个的神经网络。
‘’’
net = Net(1, 10, 1) # 隐藏神经元10个
print(net)

plt.ion() # plt.ion()用于连续显示
plt.show()