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
![9ea7fd1bb3be0c774ed97a439f00be51.png](https://i-blog.csdnimg.cn/blog_migrate/dd2cff76876d59b575f779994ccc2390.jpeg)
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
![28eba36c35ec0cca68ccf52d5dcd6fcf.png](https://i-blog.csdnimg.cn/blog_migrate/31bf885bed02976e4db2c8b0dcd4a009.jpeg)
运行终态效果图如下:
![1854b3417fc298c23c61d943c5db2d15.png](https://i-blog.csdnimg.cn/blog_migrate/ee334742b9f05490bda5c808f9b305b3.jpeg)
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。