使用pytorch做全连接网络函数拟合实验

最新推荐文章于 2024-03-30 13:02:25 发布
最新推荐文章于 2024-03-30 13:02:25 发布
阅读量1k 收藏 12
点赞数 3
分类专栏： 统计派人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41910770/article/details/116357195
版权

稍微了解了一下机器学习的相关内容
对这种新的解决问题的方法很感兴趣
想亲自验证一番
于是呢，花了点时间，搭建了一下环境
然后最简单而又不失神秘感的当属函数拟合实验了
不需要准备什么数据，省时间
于是拼凑式编程，搞了几行代码

import torch
import matplotlib.pyplot as plt

sum_train=1000
batch_size=10
learn_rate=0.001
lim_loss=0.0001

def makedata():
    x=torch.unsqueeze(torch.linspace(0, 1, 1000),dim=1)
    y=x**2-x+0.25
    return x,y

#定义网络
model = torch.nn<
最低0.47元/天 解锁文章
拾枝者
关注
  • 3
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
Pytorch快速入门系列---（六）Pytorch实现全连接神经网络
qq_42681787的博客
03-17 3825
全连接神经网络(Multi-Layer Perception，MLP)或者叫多层感知机，是一种连接方式较为简单的人工神经网络结构，属于前馈神经网络的一种，主要由输入层、隐藏层和输出层构成，并且在每个隐藏层中可以有多个神经元。MLP网络是可以应用于几乎所有任务的多功能学习方法，包括分类、回归，甚至是无监督学习。神经网络的学习能力主要来源于网络结构，而且根据层的数量不同、每层神经元数量的多少，以及信息在层之间的传播方式，可以组合成多种神经网络模型。全连接神经网络主要由输入层、隐藏层和输出层构成。
使用 pytorch 创建神经网络拟合sin函数的实现
09-17
主要介绍了使用 pytorch 创建神经网络拟合sin函数的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
[Pytorch系列-52]：循环神经网络RNN - 全连接网络与RNN网络在时间序列数据集上拟合的比较
热门推荐
文火冰糖（王文兵）的博客
11-25 1万+
作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客 本文网址： 目录 第1章 概述 1.1 业务需求概述 1.2 业务分析 1.3 导入库 第1章 数据集 1.1 数据集概述 1.2 从文件中读取数据 1.3 提取有效数据 第2章 全连接网络的拟合 2.1 定义全连接网络 2.2 定义loss与优化器 2.3 训练前准备 2.4 开始训练 2.5 loss显示 2.6 结果分析 第3章RNN网络的拟合 3.1 定义RNN网络 ..
神经网络拟合函数曲线--pytorch
KJNKJNKJN的博客
12-03 906
之前看了很多神经网络的算法，但是一直没有实操作过，加上对pytorch 不太熟悉，趁此机会熟悉一下。
深度学习pytorch——全连接层（持续更新）
最新发布
2201_76139143的博客
03-30 256
【代码】深度学习pytorch——全连接层（持续更新）
【Pytorch】进阶学习：基于矩阵乘法torch.matmul()实现全连接层
创作高质量博文，分享知识，共同进步！
03-08 1590
🚀【PyTorch进阶揭秘】掌握全连接层，轻松构建神经网络！🔥 本文带你深入探索PyTorch中全连接层的奥秘，从基本原理到实战演练，一应俱全！你将学会使用`torch.matmul()`实现全连接层，感受矩阵乘法的魅力。同时，我们还为你揭秘如何使用PyTorch的`nn.Linear`模块，让构建神经网络变得更加简单高效。此外，还有深度神经网络与全连接层的进阶学习等你来挑战！赶快加入我们，一起探索深度学习的无限可能吧！#PyTorch #全连接层 #神经网络 #深度学习 #实战演练
pytorch拟合函数
sinoai
04-12 1795
pytorch拟合一元一次函数1. 这个程序定义网络的方式很特别2. 使用卷积拟合   拟合函数y=a×x+by=a\times x+by=a×x+b，其中a=1,b=2a=1,b=2a=1,b=2。 1. 这个程序定义网络的方式很特别 import torch import numpy as np class Net: def __init__(self): self....
使用 pytorch 创建神经网络拟合sin函数
01-21
本博客写一个小例子，使用 pytorch 来编写一个神经网络来拟合 sin 函数 废话少说，直接上代码： from torch.utils.data import DataLoader from torch.utils.data import TensorDataset import torch.nn as nn ...
使用Pytorch来拟合函数方式
09-18
今天小编就为大家分享一篇使用Pytorch来拟合函数方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
关于pytorch中全连接神经网络搭建两种模式详解
09-18
今天小编就为大家分享一篇关于pytorch中全连接神经网络搭建两种模式详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Pytorch使用——函数拟合问题样例
skyrim_H的博客
02-09 1981
前言 Pytorch使用——回归问题样例 在上一篇文章中，我们解决了一个简单的线性回归问题，即建立了一个线性模型，通过机器学习的方法把bias和weight求出来了。 那么现在我们就要真正地搭建一个神经网络，将线性层和激活函数进行排列组合，完成一些复杂的工作，比如任意函数曲线拟合，我曾经看到有人说理论上线性层加激活函数的排列组合可以模拟任意模型。 头文件 这一次我们使用了这些库 from turtle import forward from typing import Any, Callable impor
全连接神经网络-------多元回归预测的简单实现
井底小蛙的博客
12-13 5436
用全连接神经网络做多元回归预测的简单实现 #coding:utf-8 from keras.models import Sequential from keras.layers import Dense, Dropout from sklearn.preprocessing import MinMaxScaler from keras.models import load_model import pandas as pd import matplotlib.pyplot as plt """ 实现功能
pytorch全连接模型实现离散点回归拟合
qq_33345917的博客
01-20 2744
神经网络可作为一个函数，例如x为训练样本矩阵，f为神经网络，则f(x)会得到一个输出，输出表示啥取决于训练目的和训练过程。 本文章讲解以拟合为设计目的的全连接神经网络模型，神经网络即可进行线性回归，也可进行非线性回归，并且是还是分段拟合，线性与非线性取决于激活函数！ 先来简单的一元二次函数： 看代码： x = torch.unsqueeze(torch.linspace(-1,1,100),dim...
使用Pytorch手动搭建两层神经网络
qq_42383076的博客
08-12 712
使用Pytorch Tensor来构建一个两层神经网络，和numpy方式想像，但是只能在GPU上运行 一、定义数据集和网络权重 import torch dtype = torch.FloatTensor # 让dtype表示torch.FloatTensor数据类型 # N表示一个批次输入数据的数量，D_in表示每个输入数据的特征数，H表示经过隐藏层后保留的特征个数，D_out表示每个输出数据的特征个数（分类结果值） N, D_in, H, D_out = 64, 1000, 100, 10 x =
1.2使用全连接网络拟合函数
qq_40761869的博客
10-10 1547
tensorflow所构建的体系是清楚明了的，所以我们只需要在其提供的默认图上添加各种op，然后执行相应的op即可 下面的这个例子将从拟合一维函数的角度对tensorflow编程进行一个简单的介绍 1.编程思路 在区间[-5, 5]内随机生成若干个点，作为函数的自变量采样点序列x，然后手动生成这个自变量序列所对应的函数值序列y，这个序列要加上噪声。 # 首先生成x坐标数据 x = np....
PyTorch-使用神经网络拟合数据
qq_59711487的博客
01-04 509
相反，从一个通用的、未经训练的模型开始，我们通过为它提供一组输入和输出以及一个可以反向传播的损失函数，使它专门处理某项任务。综合起来，所有这些组成了一个非常强大的机制：在一个由线性+激活单元构成的网络中，当不同的输入呈现给网络时，不同的单元会对相同的输入在不同范围内响应；这些复杂函数的基本构件是神经元，其核心就是输入的线性变换（如，将输入乘以一个数字【权重】，加上一个常数【偏置】），然后应用一个固定的非线性函数，即激活函数。深度学习的核心是神经网络：一种能够通过简单函数的组合来表示复杂函数的数学实体。
python如何拟合函数_使用Pytorch来拟合函数方式
weixin_39617702的博客
12-04 1147
其实各大深度学习框架背后的原理都可以理解为拟合一个参数数量特别庞大的函数，所以各框架都能用来拟合任意函数，Pytorch也能。在这篇博客中，就以拟合y = ax + b为例(a和b为需要拟合的参数)，说明在Pytorch中如何拟合一个函数。一、定义拟合网络1、观察普通的神经网络的优化流程# 定义网络net = ...# 定义优化器optimizer = torch.optim.Adam(net.p...
pytorch拟合sin函数
weixin_41582053的博客
11-01 3777
pytorch非线性回归调参分享 前期研究过程中获得了一个非常奇怪的函数图像，打算用多层感知机(MLP)对函数图像进行建模仿真。前期相关研究中，MLP表现并不好，当时把这个方案已经放弃掉了。经过查阅相关的论文，发现原理上MLP能够拟合任意函数。这段时间重新写了一遍MLP网络，经过参数、增加训练次数、GPU加速，现在能够对函数较好拟合。现将参数调整经验分享一下。 目标功能：对三个周期的sin(x)函数进行拟合 训练效果： 这个图像中，蓝色为数据集，红色为对其拟合的训练结果。Loss表示两个函数之间的均方根误差
PyTorch非线性函数拟合
lzfshub
08-08 2790
文章目录1. 线性函数2. 非线性函数3.搭建网络4.代码实现5.拟合效果参考 1. 线性函数 线性函数用于拟合线性的曲线 2. 非线性函数 非线性函数怎么拟合呢？ 使用非线性函数拟合 使用线性函数+非线性函数（激活函数去拟合） 为了和神经网络相统一，用线性函数+激活函数去拟合非线性函数 3.搭建网络 分两路进行全连接层，然后将输出拼接，再经过三个全连接层 4.代码实现 from numpy.core.function_base import linspace import torch import
pytorch实现曲线拟合
03-29
PyTorch是一个基于Python的开源机器学习库，它提供了丰富的工具和函数来实现各种机器学习任务，包括曲线拟合。 要使用PyTorch实现曲线拟合，可以按照以下步骤进行： 1. 导入必要的库和模块： ```python import torch import torch.nn as nn import torch.optim as optim import numpy as np ``` 2. 准备数据： 准备输入数据和目标数据，可以使用numpy生成一些示例数据： ```python # 生成示例数据 x = np.linspace(-10, 10, 100) y = 2 * x + 1 + np.random.randn(*x.shape) # 添加噪声 ``` 3. 定义模型： 使用PyTorch定义一个简单的线性模型，例如使用一个全连接层： ```python class LinearModel(nn.Module): def __init__(self): super(LinearModel, self).__init__() self.linear = nn.Linear(1, 1) # 输入维度为1，输出维度为1 def forward(self, x): return self.linear(x) ``` 4. 定义损失函数和优化器： 选择适当的损失函数和优化器来训练模型，例如使用均方误差损失函数和随机梯度下降优化器： ```python model = LinearModel() criterion = nn.MSELoss() optimizer = optim.SGD(model.parameters(), lr=0.01) ``` 5. 训练模型： 使用训练数据对模型进行训练，迭代多个epoch，每个epoch中进行前向传播、计算损失、反向传播和参数更新： ```python epochs = 100 for epoch in range(epochs): inputs = torch.from_numpy(x).float().unsqueeze(1) targets = torch.from_numpy(y).float().unsqueeze(1) optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, targets) loss.backward() optimizer.step() if (epoch+1) % 10 == 0: print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, epochs, loss.item())) ``` 6. 使用模型进行预测： 训练完成后，可以使用模型对新的输入数据进行预测： ```python new_x = np.array([1, 2, 3, 4, 5]) inputs = torch.from_numpy(new_x).float().unsqueeze(1) predictions = model(inputs) ``` 这样就完成了使用PyTorch实现曲线拟合的过程。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值