机器学习（2）快速搭建、saveAndLoad、批训练

最新推荐文章于 2022-09-26 16:58:07 发布

Superb_Day

最新推荐文章于 2022-09-26 16:58:07 发布

阅读量701

点赞数

分类专栏： pytorch机器学习文章标签：机器学习人工智能

本文链接：https://blog.csdn.net/qq_41754350/article/details/121114810

版权

本文介绍了机器学习模型的快速搭建方法，对比了不同搭建方式的优缺点，并详细讲解了如何使用saveAndLoad功能保存和加载模型。此外，还阐述了批训练的概念，并通过if __name__ == 'main'来控制代码执行的场景。

摘要由CSDN通过智能技术生成

一、快速搭建

这是上一篇博客中所用的搭建方法，看起来确实复杂。

主要思路：我们用 class 继承了一个 torch 中的神经网络结构, 然后对其进行了修改。

#-----建立神经网络-----

class Net(torch.nn.Module):    #继承torch的组件
    #class(类)是面向对象编程的基本概念，是一种自定义数据结构类型 命名为Net

    #init搭建这个信息层所需要的信息
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()    # 继承 __init__ 功能
        #首先找到Net的父类（比如是类nn.Module），然后把类Net的对象self转换为类nn.Module的对象，然后“被转换”的类nn.Module对象调用自己的init函数
        self.hidden = torch.nn.Linear(n_feature, n_hidden)   # 隐藏层线性输出
        self.predict = torch.nn.Linear(n_hidden, n_output)   # 输出层线性输出
        #nn.Linear()：用于设置网络中的全连接层，需要注意的是全连接层的输入与输出都是二维张量
        #【此处注释一】#

    #把前面的内容一个一个传递到这里进行组合，搭流程图就是forward所做的事情。
    def forward(self, x): #x为输入信息
        # 正向传播输入值, 神经网络分析出输出值
        x = F.relu(self.hidden(x))      # activation function for hidden layer
        #relu是小于0的改为0，大