[Pytorch]多层感知机（MLP）回归的实现、训练与评估

最新推荐文章于 2025-03-01 22:38:01 发布

electric_sheep

最新推荐文章于 2025-03-01 22:38:01 发布

阅读量1.7w

点赞数 10

文章标签： python pytorch 神经网络回归算法

本文链接：https://blog.csdn.net/electric_sheep/article/details/124505771

版权

本文介绍了如何使用Pytorch构建多层感知机（MLP）进行回归任务，包括网络构建、数据集处理、网络训练及评估。网络结构包括多个隐藏层，激活函数采用ReLU。数据集通过sklearn进行预处理，使用随机梯度下降优化器和均方误差损失函数进行训练。训练结果显示，网络在200个世代后loss值趋于稳定，精度保持在0.5~0.75之间。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

MLP是一种常用的前馈神经网络，使用了BP算法的MLP可以被称为BP神经网络。MLP的隐节点采用输入向量与权向量的内积作为激活函数的自变量，激活函数采用Relu函数。各参数对网络的输出具有同等地位的影响，因此MLP是对非线性映射的全局逼近。除了使用Sklearn提供的MLPRegressor函数以外，我们可以通过Pytorch建立自定义程度更高的人工神经网络。本文将不再对MLP的理论基础进行赘述，而将介绍MLP的具体建立方法。

一、网络主体构建

通过继承nn.Moudule类对MLP进行逐层建立

1.网络构建

该网络输入维度为8（即八个参量），输出为一个batch，即一个批训练的样本量，并在最后对Tensor进行展平。隐藏层分比为20，20，5，输出层为1，即预测值。

import torch.nn as nn
import torch.nn.functional as F

class MLP(nn.Module):
    def __init__(self):
        super(MLP, self).__init__()
        self.hidden1 = nn.Linear(in_features = 8, out_features = 20, bias = True)
        self.hidden2 = nn.Linear(20,20)
        self.hidden3 = nn.Linear(20,5)
        self.predict = nn.Linear(5,1)
    
    def forward(self,x):
        x = F.relu(self.hidden1(x))
        x = F.relu(self.hidden2(x))
        x = F.relu(self.hidden3(x))
        output = self.predict(x)
        out = output.view(-1)

        return out

1.网络结构可视化

使用Graphviz对这个简单的MLP进行可视化。
这里输入了一个64X8的张量，即代表一次性输入了64个8参量数据

import torch
from net import MLP
from torchviz import make_dot

tensor = torch.zeros(64,8).requires_grad_(True)
model = MLP()
net = model(tensor)

net_strc = make_dot(net, params = dict(list(model.named_parameters()) + [('tensor',tensor)]))
net_strc.view()

网络结构如图：
在这里插入图片描述

二、数据集构建与网络训练

1.数据集构建

这里使用了sklearn提供的fetch_california_housing数据集，该数据集输入参量为8，与网络第一层输入对应。
通过sklearn提供的StandardScaler和train_test_split函数，对输入数据进行正则化与数据集分割。

def dataset():
    house_data = fetch_california_housing()
    x_train,

最低0.47元/天解锁文章