详解Pytorch使用Pytorch拟合多项式(多项式回归)_多项式回归 - CSDN文库

多项式拟合

26 浏览量更新于2023-05-11 评论 2 收藏 86KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

详解详解Pytorch 使用使用Pytorch拟合多项式拟合多项式(多项式回归多项式回归)

主要介绍了详解Pytorch 使用Pytorch拟合多项式(多项式回归),小编觉得挺不错的，现在分享给大家，也给大家

做个参考。一起跟随小编过来看看吧

使用Pytorch来编写神经网络具有很多优势，比起Tensorflow，我认为Pytorch更加简单，结构更加清晰。

希望通过实战几个Pytorch的例子，让大家熟悉Pytorch的使用方法，包括数据集创建，各种网络层结构的定义，以及前向传播

与权重更新方式。

比如这里给出

很显然，这里我们只需要假定

这里我们只需要设置一个合适尺寸的全连接网络，根据不断迭代，求出最接近的参数即可。

但是这里需要思考一个问题，使用全连接网络结构是毫无疑问的，但是我们的输入与输出格式是什么样的呢？

只将一个x作为输入合理吗？显然是不合理的，因为每一个神经元其实模拟的是wx+b的计算过程，无法模拟幂运算，所以显然

我们需要将x，x的平方，x的三次方，x的四次方组合成一个向量作为输入，假设有n个不同的x值，我们就可以将n个组合向量

合在一起组成输入矩阵。

这一步代码如下：

def make_features(x):

x = x.unsqueeze(1)

return torch.cat([x ** i for i in range(1,4)] , 1)

我们需要生成一些随机数作为网络输入：

def get_batch(batch_size=32):

random = torch.randn(batch_size)

x = make_features(random)

'''Compute the actual results'''

y = f(x)

if torch.cuda.is_available():

return Variable(x).cuda(), Variable(y).cuda()

else:

return Variable(x), Variable(y)

其中的f(x)定义如下：

w_target = torch.FloatTensor([0.5,3,2.4]).unsqueeze(1)

b_target = torch.FloatTensor([0.9])

def f(x):

return x.mm(w_target)+b_target[0]

接下来定义模型：

class poly_model(nn.Module):

def __init__(self):

super(poly_model, self).__init__()

self.poly = nn.Linear(3,1)

def forward(self, x):

out = self.poly(x)

return out

if torch.cuda.is_available():

model = poly_model().cuda()

else:

model = poly_model()

接下来我们定义损失函数和优化器：

criterion = nn.MSELoss()

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

评论0

weixin_38670297

粉丝: 7
资源: 927

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈