时间:2021-05-23
(1)首先要建立数据集
(2)建立神经网络
(2)建立层与层之间的关系
(3)训练网络
(四)可视化训练
会得到如下图像:
整体代码如下:
import torchimport matplotlib.pyplot as pltx=torch.unsqueeze(torch.linspace(-2,2,100),dim=1)y=x.pow(2)+0.2*torch.rand(x.size())import torchimport torch.nn.functional as Fclass Net(torch.nn.Module): def __init__(self,n_feature,n_hidden,n_output): super(Net,self).__init__() self.hidden=torch.nn.Linear(n_feature,n_hidden) self.predict=torch.nn.Linear(n_hidden,n_output) def forward(self,x): x=F.relu(self.hidden(x)) x=self.predict(x) return xnet=Net(n_feature=1,n_hidden=10,n_output=1)optimizer=torch.optim.SGD(net.parameters(),lr=0.3)loss_func=torch.nn.MSELoss()plt.ion() plt.show()for t in range(100): prediction=net(x) loss=loss_func(prediction,y) optimizer.zero_grad() loss.backward() optimizer.step() if t % 5 == 0: plt.cla() plt.scatter(x.data.numpy(), y.data.numpy()) plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5) plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'}) plt.pause(0.1)【参考文献】https://mofanpy.com/tutorials/machine-learning/torch/regression/
到此这篇关于pytorch动态神经网络(拟合)实现的文章就介绍到这了,更多相关pytorch动态神经网络内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持!
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
本文用于利用Pytorch实现神经网络的分类!!!1.训练神经网络分类模型importtorchfromtorch.autogradimportVariable
本文为大家讲解了pytorch实现CNN卷积神经网络,供大家参考,具体内容如下我对卷积神经网络的一些认识卷积神经网络是时下最为流行的一种深度学习网络,由于其具有
本文实例为大家分享了Tensorflow实现神经网络拟合线性回归的具体代码,供大家参考,具体内容如下一、利用简单的一层神经网络拟合一个函数y=x^2,其中加入部
使用Pytorch来编写神经网络具有很多优势,比起Tensorflow,我认为Pytorch更加简单,结构更加清晰。希望通过实战几个Pytorch的例子,让大家
1Pytorch以ONNX方式保存模型defsaveONNX(model,filepath):'''保存ONNX模型:parammodel:神经网络模型:par