Pytorch 神经网络训练代码,pytorch实现逻辑回归

　　本文主要介绍使用PyTorch进行回归运算的python神经网络学习的实现代码。有需要的朋友可以借鉴一下，希望能有所帮助。祝大家进步很大，早日升职加薪。

　　00-1010学习PyTorch前言中的重要基础函数1、构造类网(torch.nn.Module)神经网络33602、优化器optimizer 3、损失函数的定义4、训练过程的所有代码。

学习前言

PyTorch中的重要基础函数

　　PyTorch中神经网络的构造不同于Tensorflow。需要用类来构建(也可以用类似Keras后期的顺序模型来构建)。当然，基础还是用一个类搭建的。该类需要继承PyTorch，torch.nn.Module中的神经网络模型，具体构造方法如下：

　　#继承torch.nn.Module模型

　　class Net(torch.nn.Module):

　　#重载初始化函数(我忘了这是不是叫重载)

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

　　超级(净，自)。__init__()

　　#对传入数据应用线性变换：math:y=xA^T b

　　#全连接层，公式为y=xa TB

　　#在初始化的同时构建两个完全连接的层(即一个隐藏层)

　　self . hidden=torch . nn . linear(n _ feature，n_hidden)

　　self . predict=torch . nn . linear(n _ hidden，n_output)

　　# forward函数用于建立正向转移的流程。

　　定义向前(自身，x):

　　#隐藏层的输出

　　hidden _ layer=functional . relu(self . hidden(x))

　　#实际产量

　　output_layer=self.predict(隐藏层)

　　返回输出层

　　这部分构造了一个带隐层的神经网络，隐层神经元的数目为n_hidden。

　　上述类建立后，可以通过以下函数建立神经网络：

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

1、class Net(torch.nn.Module)神经网络的构建：

　　Optimizer是用来建立模型的优化器，与tensorflow中的优化器含义相同。PyTorch的优化器位于库中，前缀为torch.optim

　　优化程序需要传入网络的参数。

　　具体使用方式如下：

　　# torch.optim是优化器模块。

　　# Adam可以改成其他优化器，比如SGD，RMSprop等。

　　optimizer=torch . optim . Adam(net . parameters()，lr=1e-3)

2、optimizer优化器

　　损失用于定义神经网络训练的损失函数。常用的损失函数有均方误差损失函数(回归)和交叉熵损失函数(分类)。

　　具体使用方式如下：

　　#均方误差loss loss _ func=torch . nn . ms loss()

3、loss损失函数定义

　　培训过程分为三个步骤：

　　1.使用网络预测结果。

　　预测=净值(x)

　　2.将预测结果与实际值进行比较，产生损失。

　　loss=loss_func(预测，y)

　　3.反向传输(这部分有三个步骤)。

　　#均方误差损失

　　#反向传输步骤

　　# 1.初始化渐变

　　optimizer.zero_grad()

　　# 2.计算梯度

　　loss.backward()

　　# 3.用优化器优化

　　optimizer.step()

4、训练过程

　　这是一个简单的回归预测模型。

　　进口火炬

　　来自torch.autograd导入变量

　　导入torch.nn.functional作为功能

　　将matplotlib.pyplot作为plt导入

　　将numpy作为np导入

　　# x的形状是(100，1)

　　x=torch . from _ numpy(NP . Lin space(-1，1，100)。整形([100，1])。类型(火炬。FloatTensor)

　　# y的形状为(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):

　　超级(净，自)。__init__()

　　#对传入数据应用线性变换：math:y=xA^T b

　　#全连接层，公式为y=xa TB

　　self . hidden=torch . nn . linear(n _ feature，n_hidden)

　　self . predict=torch . nn . linear(n _ hidden，n_output)

　　定义向前(自身，x):

　　#隐藏层的输出

　　hidden _ layer=functional . relu(self . hidden(x))

　　output_layer=self.predict(隐藏层)

　　返回输出层

　　#阶级的建立

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

　　#火炬。使最优化是优化器模块

　　优化器=火炬。optim。亚当(网。参数()，lr=1e-3)

　　# 均方差失败

　　loss _ func=火炬。nn。ms loss()

　　对于范围(1000):内的t

　　预测=净值(十)

　　损耗=损耗函数(预测，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【计算机】优化程序优化

　　optimizer.step()

　　如果t 50==0:

　　打印(损失是，loss.data.numpy())

　　运行结果为：

　　损失为0.27913737

　　损失为0.2773982

　　损失为0.27224126

　　…………

　　损失为0.0035993527

　　损失为0.0035974088

　　损失为0.0035967692

　　以上就是大蟒神经网络学习利用PyTorch进行回归运算的详细内容，更多关于大蟒神经网络PyTorch回归运算的资料请关注盛行信息技术软件开发工作室其它相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。