最简单的神经网络实战
最简单的神经网络
准备训练数据
随机生成50个数据，用作训练数据
x = np.linspace(1, 100)最简单的神经网络拟合，y=ax+b，所有设置y为
y = 2 * x + 3不过，为了符合实际情况，可用适当增加一些噪声。
noise = torch.randn(50)y = 2 * x + 3+noise.numpy()绘制x，y的图象如下
构建神经网络
torch里面可以基于nn.Module类写自己的神经网络，这里使用最简单的线性层。
class nn(nn.Module): def __init__(self, in_features=1, mid_features=5, out_features=1): super(nn, self).__init__() self.layer1 = nn.Linear(in_features, mid_features) self.layer2 = nn.Linear(mid_features, out_features) self.layer = nn.Linear(mid_features, mid_features) def forward(self, x): x = self.layer2(x) for i in range(1): x = self.layer(x) x = self.layer2(x) return x之后则是设置损失函数，优化器，依旧选择最简单的。
criterion = nn.L1Loss()optimizer = optim.RMSprop(model.parameters())其中L1形式的损失函数就在lasso loss，$loss=(y-X\theta)+C|\theta|$。RMSProp算法的全称叫 Root Mean Square Prop。考虑到训练时1-100，那么预测则选取50-150。迭代计算，结果如下：
全部代码
x = np.linspace(1, 100)noise = torch.randn(50)y = 2 * x + 3+noise.numpy()plt.plot(x, y)plt.show()dataset = []for i, j in zip(x, y): dataset.append([i, j])epochs = 10model = Nn(1, 1)criterion = nn.L1Loss()optimizer = optim.RMSprop(model.parameters())dataset = torch.tensor(dataset, dtype=torch.float, requires_grad=True)for times in range(epochs): for i, data in enumerate(dataset, 0): x, label = data optimizer.zero_grad() out = model(x.unsqueeze(dim=0)) loss = criterion(out, label.unsqueeze(dim=0)) print("loss:", loss.data.item()) loss.backward() optimizer.step()x = np.linspace(50, 150)y = 2 * x + 3dataset = []for i, j in zip(x, y): dataset.append([i, j])dataset = torch.tensor(dataset, dtype=torch.float, requires_grad=True)pred_y = []pred_x = xfor i, data in enumerate(dataset, 0): x, label = data optimizer.zero_grad() out = model(x.unsqueeze(dim=0)) pred_y.append(out)plt.plot(pred_x, pred_y)print(pred_x, pred_y)plt.show()有时间给出最简单神经网络的解析
tex无法解析的问题下个版本解决
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2021-02-04，如有侵权请联系 cloudcommunity@tencent.com 删除
本文分享自 Python与MySQL 微信公众号，前往查看
如有侵权，请联系 cloudcommunity@tencent.com 删除。
本文参与 腾讯云自媒体同步曝光计划 ，欢迎热爱写作的你一起参与！
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
