网站建设定制价格明细表,网站制作价格东莞,青岛搜索推广排名,网站退出率是什么意思这里写目录标题 定义数据集定义函数生成数据集 使用Dataloader加载dataset定义神经网络定义实例化查看是否是输出的一个 训练编写trian方法训练并保存模型 测试模型结果构造数据测试结论 定义数据集
import torch
import random定义函数
# 生成数据
def get_rancledata():wid… 这里写目录标题 定义数据集定义函数生成数据集 使用Dataloader加载dataset定义神经网络定义实例化查看是否是输出的一个 训练编写trian方法训练并保存模型 测试模型结果构造数据测试结论 定义数据集
import torch
import random定义函数
# 生成数据
def get_rancledata():widthrandom.random()heightrandom.random()swidth*heightreturn width,height,sget_rancledata()(0.1571327616035657, 0.5335562021159256, 0.08383915950918565)生成数据集
class dataset(torch.utils.data.Dataset):def __init__(self):passdef __len__(self):return 1000def __getitem__(self,i):width,height,sget_rancledata()xtorch.FloatTensor([width,height])# 这里注意也是需要转换成tensor的否则训练会报类型错误ytorch.FloatTensor([s])return x,ydatasetdataset()len(dataset),dataset[4999](1000, (tensor([0.2137, 0.6781]), tensor([0.1449])))使用Dataloader加载dataset
loadertorch.utils.data.DataLoader(datasetdataset,shuffleTrue,batch_size9
)len(loader),next(iter(loader))(112,[tensor([[0.7389, 0.1202],[0.5764, 0.7888],[0.7244, 0.0229],[0.5102, 0.0755],[0.8550, 0.4998],[0.9992, 0.5890],[0.1704, 0.0162],[0.2132, 0.9157],[0.7946, 0.8907]]),tensor([[0.0888],[0.4546],[0.0166],[0.0385],[0.4273],[0.5885],[0.0028],[0.1953],[0.7077]])])定义神经网络
定义
# 输入两个输出一个
class Model(torch.nn.Module):def __init__(self):super().__init__()self.fbtorch.nn.Sequential(torch.nn.Linear(in_features2,out_features32),torch.nn.ReLU(),torch.nn.Linear(in_features32,out_features32),torch.nn.ReLU(),torch.nn.Linear(in_features32,out_features1))def forward(self,x):return self.fb(x)实例化
modelModel()torch.rand(4,2)tensor([[0.4510, 0.1455],[0.4963, 0.2974],[0.9480, 0.9913],[0.9053, 0.4228]])查看是否是输出的一个
# 测试
model(torch.rand(8,2)).shapetorch.Size([8, 1])训练
编写trian方法
def train():# 选择损失函数loss_fntorch.nn.MSELoss()# 选择优化器optimizertorch.optim.Adam(model.parameters(),lr1e-4)#遍历多少轮for epoch in range(100):#全量遍历for i ,(x,y) in enumerate(loader):#计算损失#计算梯度#优化参数#优化梯度清零outmodel(x)lossloss_fn(out,y)loss.backward()optimizer.step()optimizer.zero_grad()if epoch % 20 0:print(epoch,loss.item())torch.save(model,huigui.model)训练并保存模型
train()0 0.03260539472103119
0 0.06368591636419296
0 0.08260147273540497
0 0.04632813110947609
0 0.08333451300859451
0 0.10992465913295746
0 0.12929300963878632
0 0.061169371008872986
0 0.08229123800992966
0 0.0604255348443985
0 0.11475709825754166
0 0.13913851976394653
0 0.09228374809026718
0 0.10618235915899277
0 0.12170673906803131
0 0.05438697338104248
0 0.11730150133371353
0 0.07718850672245026
0 0.11877405643463135
0 0.0647420659661293
0 0.1062769666314125
0 0.08034960925579071
0 0.06462960690259933
0 0.029708124697208405
0 0.19415663182735443
0 0.022178875282406807
0 0.023824863135814667
0 0.06074700132012367
0 0.014404748566448689
0 0.015829702839255333
0 0.07006165385246277
0 0.0908271074295044
0 0.023783870041370392
0 0.09584006667137146
0 0.16521167755126953
0 0.09473344683647156
0 0.12153694033622742
0 0.030839459970593452
0 0.019292233511805534
40 8.071886259131134e-05
40 2.137169212801382e-05
40 0.00010651862248778343
40 7.332033419515938e-05
40 0.00010564295371295884
40 4.790672755916603e-05
40 3.7615245673805475e-05
40 3.413142985664308e-05
40 6.713613402098417e-05
40 0.0006545005016960204测试模型结果
构造数据
# 从loader加载一批数据来测试x,ynext(iter(loader))
x,y测试
# 方法一
# outmodel(x)# 方法二 加载模型
model1torch.load(huigui.model)
outmodel1(x)# 打印在一起便于观察,
# 这个cat函数很有用注意
torch.cat([out,y],dim1)结论
从上面结果看 [ 0.6257, 0.6214],[ 0.5435, 0.5454],[ 0.0227, 0.0203],[-0.0044, 0.0033],[ 0.5257, 0.5296],[ 0.4749, 0.4805],[ 0.4665, 0.4649],[ 0.4143, 0.4141],[ 0.0130, 0.0138]]第一列是预测的第二列是实际的可以查看两列值相差很小说明模型有效
