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 torch
from torch.autograd import Variable
import torch.nn.functional as functional
import matplotlib.pyplot as plt
import 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loss
loss_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：
The loss is 0.27913737
The loss is 0.2773982
The loss is 0.27224126
…………
The loss is 0.0035993527
The loss is 0.0035974088
The loss is 0.0035967692
“python中怎么利用PyTorch进行回归运算”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注云搜网网站，小编将为大家输出更多高质量的实用文章！
