用PyTorch进行回归运算的实现代码是什么-群英

上一篇：tf.name_scope和tf.variable_scope函数作用和用法是什么下一篇：python pynacl是什么库，用法是怎样的呢

在日常操作或是项目的实际应用中，有不少朋友对于“用PyTorch进行回归运算的实现代码是什么”的问题会存在疑惑，下面小编给大家整理和分享了相关知识和资料，易于大家学习和理解，有需要的朋友可以借鉴参考，下面我们一起来了解一下吧。

学习前言

我发现不仅有很多的Keras模型，还有很多的PyTorch模型，还是学学Pytorch吧，我也想了解以下tensor到底是个啥。

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：