导航：首页 > 开发技术 >

python中怎么利用PyTorch进行回归运算

发表于：2024-11-28 作者：千家信息网编辑

千家信息网最后更新 2024年11月28日，本篇内容介绍了"python中怎么利用PyTorch进行回归运算"的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够

千家信息网最后更新 2024年11月28日python中怎么利用PyTorch进行回归运算

本篇内容介绍了"python中怎么利用PyTorch进行回归运算"的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

PyTorch中的重要基础函数

1、class Net(torch.nn.Module)神经网络的构建:

PyTorch中神经网络的构建和Tensorflow的不一样，它需要用一个类来进行构建(后面还可以用与Keras类似的Sequential模型构建)，当然基础还是用类构建，这个类需要继承PyTorch中的神经网络模型，torch.nn.Module，具体构建方式如下：

# 继承torch.nn.Module模型class Net(torch.nn.Module):        # 重载初始化函数（我忘了这个是不是叫重载）    def __init__(self, n_feature, n_hidden, n_output):        super(Net, self).__init__()        # Applies a linear transformation to the incoming data: :math:y = xA^T + b        # 全连接层，公式为y = xA^T + b        # 在初始化的同时构建两个全连接层（也就是一个隐含层）        self.hidden = torch.nn.Linear(n_feature, n_hidden)        self.predict = torch.nn.Linear(n_hidden, n_output)        # forward函数用于构建前向传递的过程    def forward(self, x):        # 隐含层的输出        hidden_layer = functional.relu(self.hidden(x))        # 实际的输出        output_layer = self.predict(hidden_layer)        return output_layer

该部分构建了一个含有一层隐含层的神经网络，隐含层神经元个数为n_hidden。
在建立了上述的类后，就可以通过如下函数建立神经网络：

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

2、optimizer优化器

optimizer用于构建模型的优化器，与tensorflow中优化器的意义相同，PyTorch的优化器在前缀为torch.optim的库中。

优化器需要传入net网络的参数。

具体使用方式如下：

# torch.optim是优化器模块# Adam可以改成其它优化器，如SGD、RMSprop等optimizer = torch.optim.Adam(net.parameters(), lr=1e-3)

3、loss损失函数定义

loss用于定义神经网络训练的损失函数，常用的损失函数是均方差损失函数（回归）和交叉熵损失函数（分类）。

具体使用方式如下：

# 均方差lossloss_func = torch.nn.MSELoss()

4、训练过程

训练过程分为三个步骤：

1、利用网络预测结果。

prediction = net(x)

2、利用预测的结果与真实值对比生成loss。

loss = loss_func(prediction, y)

3、进行反向传递（该部分有三步）。

# 均方差loss# 反向传递步骤# 1、初始化梯度optimizer.zero_grad()# 2、计算梯度loss.backward()# 3、进行optimizer优化optimizer.step()

全部代码

这是一个简单的回归预测模型。

import torchfrom torch.autograd import Variableimport torch.nn.functional as functionalimport matplotlib.pyplot as pltimport numpy as np# x的shape为(100,1)x = torch.from_numpy(np.linspace(-1,1,100).reshape([100,1])).type(torch.FloatTensor)# y的shape为(100,1)y = torch.sin(x) + 0.2*torch.rand(x.size())class Net(torch.nn.Module):    def __init__(self, n_feature, n_hidden, n_output):        super(Net, self).__init__()        # Applies a linear transformation to the incoming data: :math:y = xA^T + b        # 全连接层，公式为y = xA^T + b        self.hidden = torch.nn.Linear(n_feature, n_hidden)        self.predict = torch.nn.Linear(n_hidden, n_output)    def forward(self, x):        # 隐含层的输出        hidden_layer = functional.relu(self.hidden(x))        output_layer = self.predict(hidden_layer)        return output_layer# 类的建立net = Net(n_feature=1, n_hidden=10, n_output=1)# torch.optim是优化器模块optimizer = torch.optim.Adam(net.parameters(), lr=1e-3)# 均方差lossloss_func = torch.nn.MSELoss() for t in range(1000):    prediction = net(x)    loss = loss_func(prediction, y)    # 反向传递步骤    # 1、初始化梯度    optimizer.zero_grad()    # 2、计算梯度    loss.backward()    # 3、进行optimizer优化    optimizer.step()    if t & 50 == 0:        print("The loss is",loss.data.numpy())

运行结果为：