给定sin函数的前三个值,预测后一个值,利用numpy、math工具包进行正弦值序列的生成np.arange(0,3,.01)并划分训练集和测试集的范围,对数据进行reshape,然后编写RNN模型(包含RNN模型和一层全连接层),在进行优化器和损失函数定义,采用adam优化器,最后进行预测,绘出预测值和真实值的对比图,使用pytorch完成

时间: 2024-03-18 18:43:51 浏览: 84
PDF

Python Numpy:找到list中的np.nan值方法

star5星 · 资源好评率100%
好的,下面给出使用 PyTorch 实现的代码。 首先,我们需要导入必要的包。 ```python import torch import torch.nn as nn import numpy as np import matplotlib.pyplot as plt ``` 然后,生成 sin 函数序列并划分训练集和测试集。 ```python # 生成 sin 函数序列 x = np.arange(0, 3, 0.01) y = np.sin(x) # 划分训练集和测试集 split = int(len(x) * 0.8) x_train, y_train = x[:split], y[:split] x_test, y_test = x[split:], y[split:] # 对数据进行 reshape x_train = x_train.reshape(-1, 1, 1) y_train = y_train.reshape(-1, 1) x_test = x_test.reshape(-1, 1, 1) y_test = y_test.reshape(-1, 1) ``` 接着,我们可以定义 RNN 模型。 ```python class RNN(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(RNN, self).__init__() self.rnn = nn.RNN(input_size, hidden_size, batch_first=True) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): out, _ = self.rnn(x) out = out[:, -1, :] out = self.fc(out) return out ``` 定义完模型后,我们可以将模型实例化,并定义优化器和损失函数。 ```python # 实例化模型 model = RNN(1, 10, 1) # 定义优化器和损失函数 optimizer = torch.optim.Adam(model.parameters(), lr=0.001) criterion = nn.MSELoss() ``` 然后,我们可以使用训练集来训练模型。 ```python # 训练模型 loss_list = [] for epoch in range(100): model.train() optimizer.zero_grad() output = model(torch.tensor(x_train, dtype=torch.float32)) loss = criterion(output, torch.tensor(y_train, dtype=torch.float32)) loss.backward() optimizer.step() loss_list.append(loss.item()) if epoch % 10 == 0: print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 100, loss.item())) ``` 训练完成后,我们可以使用测试集进行预测,并绘制预测值和真实值的对比图。 ```python # 使用测试集进行预测 model.eval() with torch.no_grad(): y_pred = model(torch.tensor(x_test, dtype=torch.float32)) # 绘制预测值和真实值的对比图 plt.plot(x_test.reshape(-1), y_test.reshape(-1), label='True Values') plt.plot(x_test.reshape(-1), y_pred.numpy().reshape(-1), label='Predicted Values') plt.legend() plt.show() ``` 最后,我们可以看到预测值和真实值的对比图。 ![sin预测图](https://img-blog.csdnimg.cn/20211211174841570.png)
阅读全文

相关推荐

最新推荐

recommend-type

Python Numpy:找到list中的np.nan值方法

由于`np.nan`不等于任何其他值,包括自身,所以在常规比较操作中,`np.isnan()`函数被用来检查一个值是否为`np.nan`。 以下是一个简单的示例,展示了如何在列表中查找`np.nan`值: ```python import numpy as np ...
recommend-type

keras输出预测值和真实值方式

在Keras中,当构建和训练神经网络模型时,我们可能需要在训练过程中获取模型的预测值以及对应的真实值,以便进行分析、调整或可视化。Keras提供了多种方法来实现这一目标,通常通过回调(Callback)机制来实现。回调...
recommend-type

python numpy库np.percentile用法说明

分位数是一种统计学上的概念,它将数据集分为相等的几部分,例如,第一四分位数(Q1)将数据分为前25%和后75%,而第三四分位数(Q3)则将数据分为前75%和后25%。`np.percentile` 函数可以计算任意百分位数,不仅限于...
recommend-type

python中利用numpy.array()实现俩个数值列表的对应相加方法

在Python编程语言中,NumPy库是一个非常重要的科学计算库,它提供了大量的数学函数和高效的数据操作工具。本文将深入探讨如何使用NumPy的`array()`函数来实现两个数值列表的对应相加方法。 首先,我们需要了解NumPy...
recommend-type

numpy:np.newaxis 实现将行向量转换成列向量

在Python的科学计算库NumPy中,`np.newaxis`是一个非常有用的工具,它允许你在数组操作中添加新的维度。在处理多维数据时,尤其是在进行矩阵运算时,`np.newaxis`可以帮助我们将一维的行向量转换为二维的列向量,这...
recommend-type

JHU荣誉单变量微积分课程教案介绍

资源摘要信息:"jhu2017-18-honors-single-variable-calculus" 知识点一:荣誉单变量微积分课程介绍 本课程为JHU(约翰霍普金斯大学)的荣誉单变量微积分课程,主要针对在2018年秋季和2019年秋季两个学期开设。课程内容涵盖两个学期的微积分知识,包括整合和微分两大部分。该课程采用IBL(Inquiry-Based Learning)格式进行教学,即学生先自行解决问题,然后在学习过程中逐步掌握相关理论知识。 知识点二:IBL教学法 IBL教学法,即问题导向的学习方法,是一种以学生为中心的教学模式。在这种模式下,学生在教师的引导下,通过提出问题、解决问题来获取知识,从而培养学生的自主学习能力和问题解决能力。IBL教学法强调学生的主动参与和探索,教师的角色更多的是引导者和协助者。 知识点三:课程难度及学习方法 课程的第一次迭代主要包含问题,难度较大,学生需要有一定的数学基础和自学能力。第二次迭代则在第一次的基础上增加了更多的理论和解释,难度相对降低,更适合学生理解和学习。这种设计旨在帮助学生从实际问题出发,逐步深入理解微积分理论,提高学习效率。 知识点四:课程先决条件及学习建议 课程的先决条件为预演算,即在进入课程之前需要掌握一定的演算知识和技能。建议在使用这些笔记之前,先完成一些基础演算的入门课程,并进行一些数学证明的练习。这样可以更好地理解和掌握课程内容,提高学习效果。 知识点五:TeX格式文件 标签"TeX"意味着该课程的资料是以TeX格式保存和发布的。TeX是一种基于排版语言的格式,广泛应用于学术出版物的排版,特别是在数学、物理学和计算机科学领域。TeX格式的文件可以确保文档内容的准确性和排版的美观性,适合用于编写和分享复杂的科学和技术文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【实战篇:自定义损失函数】:构建独特损失函数解决特定问题,优化模型性能

![损失函数](https://img-blog.csdnimg.cn/direct/a83762ba6eb248f69091b5154ddf78ca.png) # 1. 损失函数的基本概念与作用 ## 1.1 损失函数定义 损失函数是机器学习中的核心概念,用于衡量模型预测值与实际值之间的差异。它是优化算法调整模型参数以最小化的目标函数。 ```math L(y, f(x)) = \sum_{i=1}^{N} L_i(y_i, f(x_i)) ``` 其中,`L`表示损失函数,`y`为实际值,`f(x)`为模型预测值,`N`为样本数量,`L_i`为第`i`个样本的损失。 ## 1.2 损
recommend-type

如何在ZYNQMP平台上配置TUSB1210 USB接口芯片以实现Host模式,并确保与Linux内核的兼容性?

要在ZYNQMP平台上实现TUSB1210 USB接口芯片的Host模式功能,并确保与Linux内核的兼容性,首先需要在硬件层面完成TUSB1210与ZYNQMP芯片的正确连接,保证USB2.0和USB3.0之间的硬件电路设计符合ZYNQMP的要求。 参考资源链接:[ZYNQMP USB主机模式实现与测试(TUSB1210)](https://wenku.csdn.net/doc/6nneek7zxw?spm=1055.2569.3001.10343) 具体步骤包括: 1. 在Vivado中设计硬件电路,配置USB接口相关的Bank502和Bank505引脚,同时确保USB时钟的正确配置。
recommend-type

Naruto爱好者必备CLI测试应用

资源摘要信息:"Are-you-a-Naruto-Fan:CLI测验应用程序,用于检查Naruto狂热者的知识" 该应用程序是一个基于命令行界面(CLI)的测验工具,设计用于测试用户对日本动漫《火影忍者》(Naruto)的知识水平。《火影忍者》是由岸本齐史创作的一部广受欢迎的漫画系列,后被改编成同名电视动画,并衍生出一系列相关的产品和文化现象。该动漫讲述了主角漩涡鸣人从忍者学校开始的成长故事,直到成为木叶隐村的领袖,期间包含了忍者文化、战斗、忍术、友情和忍者世界的政治斗争等元素。 这个测验应用程序的开发主要使用了JavaScript语言。JavaScript是一种广泛应用于前端开发的编程语言,它允许网页具有交互性,同时也可以在服务器端运行(如Node.js环境)。在这个CLI应用程序中,JavaScript被用来处理用户的输入,生成问题,并根据用户的回答来评估其对《火影忍者》的知识水平。 开发这样的测验应用程序可能涉及到以下知识点和技术: 1. **命令行界面(CLI)开发:** CLI应用程序是指用户通过命令行或终端与之交互的软件。在Web开发中,Node.js提供了一个运行JavaScript的环境,使得开发者可以使用JavaScript语言来创建服务器端应用程序和工具,包括CLI应用程序。CLI应用程序通常涉及到使用诸如 commander.js 或 yargs 等库来解析命令行参数和选项。 2. **JavaScript基础:** 开发CLI应用程序需要对JavaScript语言有扎实的理解,包括数据类型、函数、对象、数组、事件循环、异步编程等。 3. **知识库构建:** 测验应用程序的核心是其问题库,它包含了与《火影忍者》相关的各种问题。开发人员需要设计和构建这个知识库,并确保问题的多样性和覆盖面。 4. **逻辑和流程控制:** 在应用程序中,需要编写逻辑来控制测验的流程,比如问题的随机出现、计时器、计分机制以及结束时的反馈。 5. **用户界面(UI)交互:** 尽管是CLI,用户界面仍然重要。开发者需要确保用户体验流畅,这包括清晰的问题呈现、简洁的指令和友好的输出格式。 6. **模块化和封装:** 开发过程中应当遵循模块化原则,将不同的功能分隔开来,以便于管理和维护。例如,可以将问题生成器、计分器和用户输入处理器等封装成独立的模块。 7. **单元测试和调试:** 测验应用程序在发布前需要经过严格的测试和调试。使用如Mocha或Jest这样的JavaScript测试框架可以编写单元测试,并通过控制台输出调试信息来排除故障。 8. **部署和分发:** 最后,开发完成的应用程序需要被打包和分发。如果是基于Node.js的应用程序,常见的做法是将其打包为可执行文件(如使用electron或pkg工具),以便在不同的操作系统上运行。 根据提供的文件信息,虽然具体细节有限,但可以推测该应用程序可能采用了上述技术点。用户通过点击提供的链接,可能将被引导到一个网页或直接下载CLI应用程序的可执行文件,从而开始进行《火影忍者》的知识测验。通过这个测验,用户不仅能享受答题的乐趣,还可以加深对《火影忍者》的理解和认识。