Pytorch实现RNN循环神经网络（实例）以及比较不同优化器对应的loss曲线

最新推荐文章于 2025-03-02 09:00:00 发布

无悔丶

最新推荐文章于 2025-03-02 09:00:00 发布

阅读量3.1k

点赞数

分类专栏：人工智能 # pytorch 文章标签： RNN 梯度下降算法线性回归 pytorch实例

本文链接：https://blog.csdn.net/qq_43487391/article/details/102953284

版权

最近在b站上学习了几个关于pytorch框架视频，特地做了下笔记。

一、线性回归

最简单的一个线性回归问题，拟合一个二次函数，代码很简单，就不赘述了，直接贴上代码：

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt


x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
y = x.pow(2) + 0.2*torch.rand(x.size())  # 加入噪声

x, y = Variable(x), Variable(y)

# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()
# print(x)
# print(x.data)
# print(x.numpy())
# print(x.data.numpy())


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.predict = torch.nn.Linear(n_hidden, n_output)

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


net = Net(1, 10, 1)

plt.ion()  # something about plotting
plt.show()

optimizer = torch.optim.SGD(net.parameters(), lr=0.5)
loss_func = torch.nn.MSELoss()


for t in range(100):
    prediction = net(x)
    loss = loss_func(prediction, y)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    if t % 5 == 0:
        # plot and show learning process
        plt.cla()
        plt.scatter(x.data.<