Pytorch之Linear与MSELoss

最新推荐文章于 2024-08-05 15:23:39 发布

空字符（公众号：月来客栈）

最新推荐文章于 2024-08-05 15:23:39 发布

阅读量1k

点赞数

分类专栏：跟我一起深度学习

本文链接：https://blog.csdn.net/the_lastest/article/details/107967896

版权

本文介绍如何使用PyTorch简洁地构建一个四层全连接网络，以波士顿房价预测数据集为例，展示网络结构、代码实现、训练过程及结果。通过对比，强调多层神经网络在回归任务中的优势。

摘要由CSDN通过智能技术生成

在前面我们介绍了如何用Pytorch来实现一个两层的神经网络，但是其编码过程略微显得有点复杂。例如我们要手动自己定义权重参数，自己书写如何进行梯度更新等等。但要是某个网络多达几十层，那这个工作量显然是巨大的。因此，将一些常用的操作定义成更高级的API接口也是每个深度学习框架应该包含的东西。下面，在这篇文章中我们就介绍如何用Pytorch来简洁的实现多层全连接网络。

1 数据集与网络结构

数据集我们还是使用sklearn中的波士顿房价预测数据集，其每个样本包含有13个特征维度。因此我们神经网络的输入层就应该是13个神经元。同时，由于是做房价预测的回归任务，因此其输出层应该为1个神经元。在这个任务中，我们以一个4层神经网络为例进行示例。

图 1.网络结构图（偏置未画出）

对于这么一个稍显复杂的网络结构应该怎么的快速实现呢？尽管图1中的网络结构比起前面的是多了几层，但是好在均为全连接层。在Pytorch中，我们可以直接调用nn.Linear(in_features, out_features, bias=True):来进行实现。

2 代码实现

2.1 导入相关包

from sklearn.datasets import load_boston
from sklearn.preprocessing import StandardScaler
import torch
import torch.nn as nn

第四行代码为导入torch中有关神经网络的相关操作。

2.2 载入数据

def load_data():
    data = load_boston()
    x, y = data.data, data.target
    ss = StandardScaler()
    x = ss.fit_transform(x)  # 特征标准化
    x = torch.tensor(x, dtype=torch.float32)
    y = torch.tensor(y, dtype=torch.float32)