pytorch MSE分类
时间: 2023-08-31 18:10:48 浏览: 45
MSE(Mean Squared Error)通常用于回归问题,而不是分类问题。对于分类问题,你可以使用交叉熵损失函数(Cross-Entropy Loss)。
以下是使用 PyTorch 实现交叉熵损失函数的示例代码:
```
import torch.nn as nn
import torch.optim as optim
# 定义模型
class Model(nn.Module):
def __init__(self):
super(Model, self).__init__()
self.fc1 = nn.Linear(10, 5) # 10个输入特征,5个输出特征
self.fc2 = nn.Linear(5, 2) # 5个输入特征,2个输出特征
def forward(self, x):
x = self.fc1(x)
x = nn.functional.relu(x)
x = self.fc2(x)
return x
# 初始化模型和损失函数
model = Model()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
# 训练模型
for epoch in range(100):
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
inputs, labels = data
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
print('Epoch [%d], loss: %.3f' % (epoch+1, running_loss / i))
```
在这个示例中,我们使用了一个简单的两层全连接神经网络模型。我们使用了交叉熵损失函数和随机梯度下降(SGD)优化器来训练模型。在训练过程中,我们每个 epoch 都计算了平均损失,并将其打印出来。