莫烦PyTorch学习笔记(二)——回归
来源:互联网 发布:谷歌域名邮箱 编辑:程序博客网 时间:2024/06/03 21:44
本文主要是用PyTorch来实现一个简单的回归任务。
编辑器:spyder
1.引入相应的包及生成伪数据
import torchimport torch.nn.functional as F # 主要实现激活函数import matplotlib.pyplot as plt # 绘图的工具from torch.autograd import Variable# 生成伪数据x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim = 1)y = x.pow(2) + 0.2 * torch.rand(x.size())# 变为Variablex, y = Variable(x), Variable(y)
其中torch.linspace
是为了生成连续间断的数据,第一个参数表示起点,第二个参数表示终点,第三个参数表示将这个区间分成平均几份,即生成几个数据。因为torch只能处理二维的数据,所以我们用torch.unsqueeze
给伪数据添加一个维度,dim表示添加在第几维。torch.rand
返回的是[0,1)之间的均匀分布。
2.绘制数据图像
在上述代码后面加下面的代码,然后运行可得伪数据的图形化表示:
# 绘制数据图像plt.scatter(x.data.numpy(), y.data.numpy())plt.show()
3.建立神经网络
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) # hidden layer self.predict = torch.nn.Linear(n_hidden, n_output) # output layer def forward(self, x): x = F.relu(self.hidden(x)) # activation function for hidden layer x = self.predict(x) # linear output return xnet = Net(n_feature=1, n_hidden=10, n_output=1) # define the networkprint(net) # net architecture
一般神经网络的类都继承自torch.nn.Module
,__init__()
和forward()
两个函数是自定义类的主要函数。在__init__()
中都要添加一句super(Net, self).__init__()
,这是固定的标准写法,用于继承父类的初始化函数。__init__()
中只是对神经网络的模块进行了声明,真正的搭建是在forwad()
中实现。自定义类中的成员都通过self指针来进行访问,所以参数列表中都包含了self。
如果想查看网络结构,可以用print()
函数直接打印网络。本文的网络结构输出如下:
Net ( (hidden): Linear (1 -> 10) (predict): Linear (10 -> 1))
4.训练网络
# 训练100次for t in range(100): prediction = net(x) # input x and predict based on x loss = loss_func(prediction, y) # 一定要是输出在前,标签在后 (1. nn output, 2. target) optimizer.zero_grad() # clear gradients for next train loss.backward() # backpropagation, compute gradients optimizer.step() # apply gradients
训练网络之前我们需要先定义优化器和损失函数。torch.optim
包中包括了各种优化器,这里我们选用最常见的SGD作为优化器。因为我们要对网络的参数进行优化,所以我们要把网络的参数net.parameters()
传入优化器中,并设置学习率(一般小于1)。
由于这里是回归任务,我们选择torch.nn.MSELoss()
作为损失函数。
由于优化器是基于梯度来优化参数的,并且梯度会保存在其中。所以在每次优化前要通过optimizer.zero_grad()
把梯度置零,然后再后向传播及更新。
5.可视化训练过程
plt.ion() # something about plottingfor t in range(100): ... 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[0], fontdict={'size': 20, 'color': 'red'}) plt.pause(0.1)plt.ioff()plt.show()
6.运行结果
- 莫烦PyTorch学习笔记(二)——回归
- Pytorch学习笔记(二)
- Pytorch学习笔记(三)线性回归与逻辑回归
- PyTorch学习—PyTorch是什么?
- 莫烦PyTorch学习笔记(三)——分类
- 莫烦PyTorch学习笔记(四)——快速搭建法
- 莫烦PyTorch学习笔记(一)——Torch或Numpy
- 莫烦PyTorch学习笔记(五)——模型的存取
- pytorch学习笔记(二):gradient
- pytorch学习笔记(二):gradient
- pytorch学习笔记(二):gradient
- pytorch学习笔记(二):gradient
- pytorch学习笔记(二) 其他机制
- PyTorch基本用法(四)——回归
- pytorch 模拟关系拟合——回归
- 机器学习学习笔记(二)——回归
- PyTorch学习系列(二)——数据预处理torchvision.transforms
- 感知机/Pytorch—笔记
- 机器学习之距离计算
- linux查找大文件指定内容
- F.巴啦啦能量 【尺取法】
- 问题记录
- ftl文件引入css,js
- 莫烦PyTorch学习笔记(二)——回归
- QT线程学习(一)
- java之字符串截取substring
- Java Web实现定时任务
- Android Studio 代码混淆
- TreeSet
- Excel在统计分析中的应用—第七章—参数估计-总体均值的估计(总体方差未知且为大样本下估计)
- 我对编程的认识
- sdnu1441 中string形式转换大小写问题