【Pytorch教程】：RNN 循环神经网络 (回归)

最新推荐文章于 2024-07-09 09:04:37 发布

_APTX4869

最新推荐文章于 2024-07-09 09:04:37 发布

阅读量2.1k

点赞数

分类专栏： Pytorch

本文链接：https://blog.csdn.net/nanke_4869/article/details/113476016

版权

本PyTorch教程讲解了如何使用RNN进行回归任务，通过RNN模型来预测时间序列数据。教程涵盖训练数据、RNN模型的构建以及训练过程，强调了PyTorch在动态构图上的优势，并提供了完整的实现代码。

摘要由CSDN通过智能技术生成

Pytorch教程目录

Torch and Numpy
变量 (Variable)
激励函数
 关系拟合（回归）
区分类型 (分类)
快速搭建法
 批训练
 加速神经网络训练
 Optimizer优化器
 卷积神经网络 CNN
卷积神经网络（RNN、LSTM）
RNN 循环神经网络 (分类)
RNN 循环神经网络 (回归)
自编码 (Autoencoder)
DQN 强化学习
 生成对抗网络 (GAN)
为什么 Torch 是动态的
 GPU 加速运算
 过拟合 (Overfitting)
批标准化 (Batch Normalization)

训练数据

我们要用到的数据就是这样的一些数据, 我们想要用 sin 的曲线预测出 cos 的曲线.
在这里插入图片描述

import torch
from torch import nn
import numpy as np
import matplotlib.pyplot as plt

torch.manual_seed(1)    # reproducible

# Hyper Parameters
TIME_STEP = 10      # rnn time step / image height
INPUT_SIZE = 1      # rnn input size / image width
LR = 0.02           # learning rate

# show data
steps = np.linspace(0, np.pi*2, 100, dtype=np.float32)  # float32 for converting torch FloatTensor
x_np = np.sin(steps)
y_np = np.cos(steps)
plt.plot(steps, y_np, 'r-', label='target (cos)')
plt.plot(steps, x_np, 'b-', label='input (sin)')
plt.legend(loc='best')
plt.show()

RNN模型

这一次的 RNN, 我们对每一个 r_out 都得放到 Linear 中去计算出预测的 output, 所以我们能用一个 for loop 来循环计算. 这点是 Tensorflow 望尘莫及的!

class RNN(nn.Module):
    def __init__(self):
        super(RNN, self).__init__()

        self.rnn = nn.RNN(  # 这回一个普通的 RNN 就能胜任
            input_size=1,
            hidden_size=32,     # rnn hidden unit
            num_layers=1,       # 有几层 RNN layers
            batch_first=