pytorch实现前馈神经网络实验(torch实现)

本文通过实例详细介绍了如何使用PyTorch的torch.nn模块构建并训练前馈神经网络,涵盖回归、二分类和多分类任务。实验中使用torch.nn.Sequential快速构建网络模型,初始化参数,定义损失函数和优化器,以及训练模型的过程。
摘要由CSDN通过智能技术生成

手动实现请参考:https://blog.csdn.net/qq_37534947/article/details/109394648

二:“利用torch.nn实现前馈神经网络解决回归、二分类、多分类任务”实验
注: 因为相比于手动实验其主要是在模型的构建中利用了torch.nn模块,其他的部分都是一样的,这里我主要介绍如何利用torch模块构建的模型。

2.1“利用torch.nn实现前馈神经网络解决回归”实验
实验过程:
2.1.1 利用torch.nn构建模型以及初始化参数

1.	#实现FlattenLayer层  
2.	class FlattenLaye
以下是使用PyTorch实现前馈神经网络近似连续函数的示例代码: ```python import torch import torch.nn as nn import numpy as np import matplotlib.pyplot as plt # 定义连续函数 def func(x): return np.sin(x) # 生成训练数据 x_train = np.linspace(0, 2*np.pi, 1000) y_train = func(x_train) # 将数据转换为张量 x_train = torch.Tensor(x_train).unsqueeze(1) y_train = torch.Tensor(y_train).unsqueeze(1) # 定义前馈神经网络模型 class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = nn.Linear(1, 10) self.fc2 = nn.Linear(10, 10) self.fc3 = nn.Linear(10, 1) self.relu = nn.ReLU() def forward(self, x): x = self.relu(self.fc1(x)) x = self.relu(self.fc2(x)) x = self.fc3(x) return x # 定义训练函数 def train(model, optimizer, criterion, x_train, y_train, epochs): for epoch in range(epochs): optimizer.zero_grad() y_pred = model(x_train) loss = criterion(y_pred, y_train) loss.backward() optimizer.step() if epoch % 100 == 0: print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, epochs, loss.item())) # 初始化模型和优化器 model = Net() criterion = nn.MSELoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.01) # 开始训练 train(model, optimizer, criterion, x_train, y_train, 1000) # 绘制预测结果和原始函数图像 x_test = torch.Tensor(np.linspace(0, 2*np.pi, 1000)).unsqueeze(1) y_pred = model(x_test).detach().numpy() plt.plot(x_train.numpy(), y_train.numpy(), 'o') plt.plot(x_test.numpy(), y_pred, '-') plt.show() ``` 在这个示例中,我们首先定义了一个连续函数,然后使用它生成训练数据。接下来,我们将训练数据转换为PyTorch张量,并定义了一个包含3个全连接层的前馈神经网络模型。我们使用MSELoss作为损失函数,并使用Adam优化器进行优化。最后,我们训练模型,并使用matplotlib绘制了预测结果和原始函数图像。
评论 10
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Studying_swz

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值