pytorch 线性层_pytorch 模拟关系拟合——回归实例

我们今天来用 pytroch 来实现一个简单的回归分析，也借此机会来熟悉 pytorch 的一些基本操作。

1. 建立数据集

2. 构建神经网络

import torch

import torch.nn.functional as F   # 激励函数都在这

class Net(torch.nn.Module): # 继承 torch 的 Module

  def __init__(self, n_feature, n_hidden, n_output):

    super(Net, self).__init__()   # 继承 __init__ 功能

    # 定义每层用什么样的形式

    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

  def forward(self, x):  # 这同时也是 Module 中的 forward 功能

    # 正向传播输入值, 神经网络分析出输出值

    x = F.relu(self.hidden(x))   # 激励函数(隐藏层的线性值)

    x = self.predict(x)       # 输出值

    return x

net = Net(n_feature=1, n_hidden=10, n_output=1)

print(net) # net 的结构

"""

Net (

 (hidden): Linear (1 -> 10)

 (predict): Linear (10 -> 1)

)

"""

3. 实时绘图查看回归效果

运行终态效果图如下：

以上这篇pytorch 模拟关系拟合——回归实例就是小编分享给大家的全部内容了，希望能给大家一个参考。

结尾

最后多说一句，小编是一名python开发工程师，这里有我自己整理了一套最新的python系统学习教程，包括从基础的python脚本到web开发、爬虫、数据分析、数据可视化、机器学习等。想要这些资料的可以关注小编，并在后台私信小编：“07”即可领取。