pytorch保存模型参数并用于预测（回归模型）

最新推荐文章于 2024-08-28 11:49:26 发布

kunAUGUST

最新推荐文章于 2024-08-28 11:49:26 发布

阅读量3.1k

点赞数 1

分类专栏： pytorch

本文链接：https://blog.csdn.net/kunAUGUST/article/details/106794959

版权

本文介绍了如何使用 PyTorch 进行回归模型的训练和预测。数据集包含12个特征，目标是预测'price'。数据被划分为训练集和测试集，并通过自定义 Dataset 和 DataLoader 进行处理。模型训练时，使用 enumerate 迭代访问数据，确保 model.train()。完成训练后，通过实例化新模型并加载保存的权重进行预测。在评估阶段，需调用 model.eval()，并在循环结束后恢复 model.train() 防止错误。

摘要由CSDN通过智能技术生成

数据介绍：用’name’, ‘regDate’, ‘model’, ‘brand’, ‘bodyType’, ‘fuelType’, ‘gearbox’, ‘power’， ‘kilometer’, ‘regionCode’, ‘seller’, ‘creatDate’这12个指标预测’price’
数据集划分成了X_train,y_train 和 X_test,y_test
我用自己定义的Dataset，作用就是把X,y向量化了而已，然后用torch.utils.data中的DataLoader导入的train_dataloader和test_dataloader
打印我的train_dataloader看下
在这里插入图片描述
这里面包含两个tensor，一个是X_train生成的，一个是y_train生成的
下面开始正题
定义网络结构：

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)
        self.output = torch.nn.Linear(n_hidden, n_output)

    def forward(self, data):
        hidden = self.hidden(data)
        hidden = F.relu(hidden)