pytorch（一）: 回归

最新推荐文章于 2023-06-03 21:15:00 发布

原创

最新推荐文章于 2023-06-03 21:15:00 发布 · 371 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #回归 #机器学习 #Python

本文作为PyTorch系列的第一篇，主要介绍了如何使用PyTorch构建和训练回归模型，涵盖了基本的神经网络架构和训练流程，适合机器学习初学者。通过实例展示了从数据预处理到模型训练的全过程，并分享了运行结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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

# 建造数据集
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
y = pow(x, 2) + 0.2*torch.rand(x.size())
x, y = Variable(x), Variable(y)  # 将x,y转化为变量

# 建造神经网络
class Net(torch.nn.Module):  # 传入神经网络模块
    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


net = Net(n_feature=1, n_hidden=10, n_output=1)


# 训练神经网络并且将其可视化
optimizer = torch.optim.SGD(net.parameters(), lr=0.6)  # 训练的工具
loss_func = torch.nn.MSELoss()
plt.ion()  # 与plt.ioff()配套使用,使绘图过程动态化
for i in range(200):  # 重复训练200次
    prediction = net(x)
    loss = loss_func(prediction, y)  # 预测值与实际值的误差
    optimizer.zero_grad()
    loss.backwa