简单的多层感知机(二维输入,一维输出,一层隐藏层)

import torch
import torch.nn.functional as F
import numpy as np
import matplotlib.pylab as plt
#1.构建数据集
x=torch.tensor([[1.0,1.0],#注意是二维的
               [2.0,2.0],
               [3.0,3.0]])
y=torch.tensor([[3.0],
               [5.0],
               [7.0]])
plt.scatter(x[:,0],y)
plt.show()
#搭建神经网络
class LinearNet(torch.nn.Module):
    def __init__(self,num_input,num_hidden,num_output):
        super(LinearNet, self).__init__()
        self.hidden=torch.nn.Linear(num_input,num_hidden)
        self.predict=torch.nn.Linear(num_hidden,num_output)

    def forward(self,x):
        x=F.relu(self.hidden(x))
        x=self.predict(x)
        return x

#对象具象化
net=LinearNet(2,4,1)

#定义优化器和损失函数
optimizer=torch.optim.SGD(net.parameters(),lr=0.5)
loss_func=torch.nn.MSELoss()

#定义epoch 和 进行训练
for epoch in range(1,101):
    prediction=net(x) #向前传播 得到预期值
    loss=loss_func(prediction,y) #向前传播 算出损失量 构建计算图

    print(epoch,loss)

    optimizer.zero_grad()
    loss.backward() #向后传播 算出梯度 释放计算图
    optimizer.step()# 梯度下降

print(net.hidden.weight.detach())  #net.hidden.weight.item()
print(net.hidden.bias.detach())
print(net.predict.weight.detach())
print(net.predict.weight.detach())
x_test=torch.tensor([[4.0,4.0]])
print(net(x_test).data.item())
已标记关键词 清除标记
相关推荐
©️2020 CSDN 皮肤主题: 1024 设计师:白松林 返回首页