porch(2)莫烦python 笔记

最新推荐文章于 2024-05-27 09:50:49 发布

DS_HY

最新推荐文章于 2024-05-27 09:50:49 发布

阅读量882

点赞数 1

分类专栏：机器学习

本文链接：https://blog.csdn.net/sinat_36215255/article/details/86313926

版权

本文是莫烦Python关于线性回归和分类模型的笔记。首先介绍了如何构建一元二次函数的数据集及相应的线性回归神经网络，通过训练网络并可视化结果。接着，讲解了分类模型的构建，同样包括数据集的建立、神经网络搭建和训练，重点在于处理分类问题的误差计算。最后提到了快速搭建神经网络的方法。

摘要由CSDN通过智能技术生成

莫烦python

1.线性回归模型

网址

1.建立数据集

我们创建一些假数据来模拟真实的情况. 比如一个一元二次函数: y = a * x^2 + b, 我们给 y 数据加上一点噪声来更加真实的展示它.

import torch
import matplotlib.pyplot as plt

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size())                 # noisy y data (tensor), shape=(100, 1)

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

2.建立神经网络

只有一个输入层，一个隐藏层，一个输出层

"""
Net (
  (hidden): Linear (1 -> 10)
  (predict): Linear (10 -> 1)
)
"""

代码如下：

import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt
import torch.nn.functional as F
class Net(torch.nn.Module): #继承模块torch.nn.Module
    #定义所有的层属性
    def __init__(self,n_feature,n_hidden,n_output):  #信息
        super(Net,self).__init__() #继承
        self.hidden = torch.nn.Linear(n_feature, n_hidden) #隐藏层
        self.predict = torch.nn.Linear(n_hidden, n_output) #输出层线性输出
    def forward(self, x): #层信息传递
        x = F.relu(self.