pytorch搭建神经网络（回归）

最新推荐文章于 2024-09-01 21:18:24 发布

Douhh_sisy

最新推荐文章于 2024-09-01 21:18:24 发布

阅读量3k

点赞数

分类专栏： pytorch

本文链接：https://blog.csdn.net/Douhh_sisy/article/details/80820256

版权

这篇博客介绍了如何使用PyTorch搭建一个简单的神经网络进行回归任务。通过定义网络结构、设置优化器和损失函数，以及进行训练迭代，最终实现对数据的预测，并实时展示了学习过程的损失变化和预测曲线。

摘要由CSDN通过智能技术生成

import torch
import torch.nn.functional as F     # 激励函数都在这
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size())                 # noisy y data (tensor), shape=(100, 1)
class Net(torch.nn.Module):  # 继承 torch 的 Module（固定）
    def __init__(self, n_feature, n_hidden, n_output):    #定义层的信息，n_feature多少个输入, n_hidden每层神经元, n_output多少个输出
        super(Net, self).__init__()     # 继承 __init__ 功能（固定）
        # 定义每层用什么样的形式
        self.hidden = torch.nn.Linear(n_feature, n_hidden)   # 定义隐藏层，线性输出
        self.predict = torch.nn.Linear(n_hidden, n_output)   # 定义输出层线性输出

    def forward(self, x):   # x是输入信息就是data，同时也是 Module 中的 forward 功能，定义神经网络前向传递的过程，把__init__中的层信息一个一个的组合起来
        # 正向传播输入值, 神经网络分析出输出值
        x = F.relu(self.hidden(x))      # 定义激励函数(隐藏层的线性值)
        x = self.predict(x)