做2输入3输出的数据的cnn非回归预测的代码

以下是一个简单的2输入3输出的CNN非回归预测的代码示例，包括数据准备和模型训练：

import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader

# 定义数据集类
class CustomDataset(Dataset):
    def __init__(self, inputs, labels):
        self.inputs = inputs
        self.labels = labels

    def __len__(self):
        return len(self.labels)

    def __getitem__(self, idx):
        input1 = self.inputs[idx][0]
        input2 = self.inputs[idx][1]
        label = self.labels[idx]
        return input1, input2, label

# 定义模型类
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 16, kernel_size=3, stride=1, padding=1)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.fc = nn.Linear(32 * 7 * 7, 3)

    def forward(self, x1, x2):
        x = torch.cat((x1, x2), dim=1)
        x = self.pool(torch.relu(self.conv1(x)))
        x = self.pool(torch.relu(self.conv2(x)))
        x = x.view(-1, 32 * 7 * 7)
        x = self.fc(x)
        return x

# 准备数据
inputs = torch.randn(100, 2, 28, 28)
labels = torch.randn(100, 3)
dataset = CustomDataset(inputs, labels)
dataloader = DataLoader(dataset, batch_size=10, shuffle=True)

# 定义模型和优化器
model = CNN()
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 训练模型
for epoch in range(100):
    for i, data in enumerate(dataloader):
        input1, input2, labels = data
        optimizer.zero_grad()
        outputs = model(input1, input2)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        print('Epoch [{}/{}], Batch [{}/{}], Loss: {:.4f}'.format(epoch+1, 100, i+1, len(dataloader), loss.item()))

# 测试模型
with torch.no_grad():
    test_input1 = torch.randn(1, 1, 28, 28)
    test_input2 = torch.randn(1, 1, 28, 28)
    test_output = model(test_input1, test_input2)
    print('Test Output:', test_output)

这个代码示例假设输入数据已经准备好，包括100个2x28x28的输入图像和100个3维度的标签。使用一个自定义的数据集类来加载数据，并使用DataLoader进行批量处理。模型的输入是两个28x28的灰度图像，通过将它们沿着通道维度进行拼接来组成一个4通道的张量。训练过程中使用均方误差作为损失函数，Adam优化器进行优化。最后，使用两个随机的输入图像进行测试，输出该模型的预测结果。