神经网络-pytorch
文章平均质量分 52
南音小榭
小楼昨夜又东风
展开
-
神经网络自编码-pytorch
自编码介绍由于神经网络层与层之间的神经元连接存在输入和输出大小的不同,可以应用网络实现对数据的降维,图片的解压缩等操作。以图片解压缩为例,输入神经元个数为m,输出神经元个数为n:若m>n,则将图片进行降维,提取图片的精华信息;若n<m,则将图片进行增维,对图片进行解压或者扩充图片信息。网络搭建#搭建网络class Net(nn.Module): def __init__(self): super(Net, self).__init__() #原创 2022-05-23 16:55:45 · 476 阅读 · 0 评论 -
循环神经网络实现简单回归预测-pytorch
循环神经网络的实现参考课程【RNN 循环神经网络】数据模拟在使用循环神经网络进行回归预测时,使用sin函数的值预测cos函数。网络搭建class Net(nn.Module): def __init__(self): super(Net, self).__init__() #RNN层 self.rnn=nn.RNN( input_size=1, #输入特征维度为1:输入值原创 2022-05-20 19:07:18 · 835 阅读 · 0 评论 -
手写数字识别的LSTM神经网络实现-pytorch
LSTM神经网络的实现参考课程【RNN 循环神经网络】训练数据获取def dataLoader(): # 获取Mnist手写数字数据集 train_data = torchvision.datasets.MNIST( root='./mnist', #保存或者提取位置 train=True, #如果为True则为训练集,如果为False则为测试集 transform=torchvision.trans原创 2022-05-20 10:18:15 · 248 阅读 · 0 评论 -
手写数字识别的卷积神经网络实现-pytorch
卷积神经网络的实现参考课程【CNN卷积神经网络】数据集下载卷积神经网络经常被应用于手写数字的数据集mnist的识别,若数据集下载出现异常,可以到【MNIST数据集】进行数据集下载。train_data = torchvision.datasets.MNIST( root='./mnist', #保存或者提取位置 train=True, #如果为True则为训练集,如果为False则为测试集 transform=to原创 2022-05-19 14:52:49 · 158 阅读 · 0 评论 -
批量训练、参数保存与提取-pytorch
简单回归问题以简单回归问题为例,实现神经网络的小批量训练、网络参数保存以及参数提取。简单回归问题的神经网络实现可见:【简单回归问题的神经网络实现-pytorch】dataLoader定义dataLoader是torch提供用于封装数据的工具,可以有效实现网络训练过程中的批量训练问题。#生成DataLoader数据结构def dataLoader(x,y): #将torch转换为Dataset torch_dataset = Data.TensorDataset(x, y)原创 2022-05-18 22:54:43 · 615 阅读 · 0 评论 -
简单二分类问题的神经网络实现-pytorch
数据模拟def dataSet(): n_data = torch.ones(100, 2) # 数据的基本形态 x0 = torch.normal(2*n_data, 1) # 类型0 横坐标 y0 = torch.zeros(100) # 类型0 纵坐标 x1 = torch.normal(-2*n_data, 1) # 类型1 横坐标 y1 = torch.ones(100)原创 2022-05-18 19:26:37 · 1477 阅读 · 0 评论 -
简单回归问题的神经网络实现-pytorch
前言在学习深度强化学习过程中,由于前期并未系统的 学习网络搭建过程以及使用的地方较少,现在对于使用pytorch搭建神经网络的流程已经十分生疏。在这里重新系统的学习神经网络的搭建过程。学习课程:【莫烦python】数据模拟使用linspace生成模拟的数据。注意其中的x后续将作为网络的输入,应当将其维度设置为1,否则将由于输入维度和网络层维度不同导致无法进行计算。torch.unsqueeze:扩充维度def dataSet(): x = torch.unsqueeze(torch.li原创 2022-05-18 18:38:15 · 493 阅读 · 0 评论