基于nn.Module类实现线性回归模型
上次介绍了顺序模型,但是在大多数情况下,我们基本都是以类的形式实现神经网络。 大多数情况下创建一个继承自 Pytorch 中的 nn.Module 的类,这样可以使用 Pytorch 提供的许多高级 API,而无需自己实现。 下面展示了一个可以从nn.Module创建的最简单的神经网络类的示例。基于 nn.Module的类的最低要求是覆盖__init__()方法和forward()方法。 在这个类中,定义了一个简单的线性网络,具有两个输入和一个输出,并使用 Sigmoid()函数作为网络的激活函数。 import torch from&nb基于sp;torch import nn class LinearRegression(nn.Module): def __init__(self): #继承父类构造函数 super(LinearRegression,&nnnbsp;self).__init__() #输入和输出的维度都是1 self.linear = nn.Linear(1, 1) def forward(self, x):  .M; out = self.linear(x) return out 现在让我们测试一下模型。 # 创建LinearRegression()的实例 model = LinearRegression() print(model) # 输出如下 odLinearRegression( (linear): Linear(in_features=1, out_features=1, bias=True) ) 现在让定义一个损失函数和优化函数。 model = LinearRegression()#实例化对象 num_epochs = 1000#迭代次数 learning_rate = 1e-2#学习率0.01 Loss&nulbsp;= torch.nn.MSELoss()#损失函数 optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)#优化函数 我们创建一个由方程产生的数据集,并通过函数制造噪音 import torch from matplotlib import pyplot as plt from torch.autoe类grad import Variable from torch import nn # 创建数据集 unsqueeze 相当于 x = Variable(torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)) y = Variable(x * 2 + 0.2&实现nbsp;+ torch.rand(x.size())) plt.scatter(x.data.numpy(),y.data.numpy()) plt.show() 关于torch.unsqueeze函数解读。 >>> x = torch.tensor([1, 2, 3, 4]) >>> torch.unsqueeze(x, 0) tensor([[ 1,&nbs线性p; 2, 3, 4]]) >>> torch.unsqueeze(x, 1) tensor([[ 1], [ 2], [ 3], &nb回归sp; [ 4]]) 遍历每次epoch,计算出loss,反向传播计算梯度,不断的更新梯度,使用梯度下降进行优化。 for epoch in range(num_epochs): # 预测 y_pred= model(x) # 计算loss &模型nbsp; loss = Loss(y_pred, y) #清空上一步参数值 optimizer.zero_grad() #反向传播 loss.backward() #更新参数 &nb基于sp; optimizer.step() if epoch % 200 == 0: print("[{}/{}] loss:{:.4f}".format(epoch+1, num_epochs, loss)) plt.nnscatter(x.data.numpy(), y.data.numpy()) plt.plot(x.data.numpy(), y_pred.data.numpy(), 'r-',lw=5) plt.text(0.5, 0,'Loss=%.4f' % loss.data.item(), fontdict={'size': 20, 'color': 'red'}) plt.show()&n.Mbsp;####结果如下#### [1/1000] loss:4.2052 [201/1000] loss:0.2690 [401/1000] loss:0.0925 [601/1000] loss:0.0810 [801/1000] loss:0.0802 [w, b] = model.parameters() print(w,b) # Parameter coodntaining: tensor([[2.0036]], requires_grad=True) Parameter containing: tensor([0.7006], requires_grad=True) 这里的b=0.7,等于0.2 + torch.rand(x.size()),经过大量的训练torch.rand()一般约等于0.5。
- 最近发表
- 随机阅读
-
- 生数科技全球上线 Vidu Q1参考生图:支持同时输入多达7张
- 国内手机市场秩序再打乱,华为没落已成定局,苹果也无缘第一
- 手办怎么清洗
- 标签: OpenAI ChatGPT 人工智能 算力利润率
- 测肺活量的仪器叫什么
- NBA中国与阿里云达成合作,将开发「NBA篮球大模型」
- Gartner:阿里云全球第三 市场份额连续五年上涨
- 标签: 宝利德 奔驰 余海军 豪车经销商
- 前字节剪映 AI 产品负责人廖谦创业,推出营销多模态 Agent
- 标签: 拼多多 赵佳臻 陈磊 联席董事长
- 为了自动驾驶,谷歌用NeRF在虚拟世界中重建了旧金山市
- 天猫超市 15 周年放大招:首个AI超市智能体“超喵”正式上岗
- 标签: 虎鲸文娱 优酷 大麦演出 樊路远
- 新专利申请显示苹果扩大磁铁在可穿戴表带表壳盖上的使用范围
- 2022年二季度中国大陆云服务支出达73亿美元 阿里云占比34%
- OpenAI强化Sora 2保护政策,确保艺人声音与肖像权不被侵犯
- 国际权威大奖GCAs揭晓 秦淮数据包揽数据中心类两项大奖
- 云计算核心技术Docker教程:Docker将配置与 Nginx 服务使用
- 标签: 手机涨价 手机
- 标签: 极兔速递 东南亚 新市场 云仓
- 搜索
-
- 友情链接