自考本科含金量高吗,seo综合优化公司,互联网运营公司排行榜,深圳公司做网站下面是一个使用PyTorch实现全连接网络来拟合简单二次函数 y x 2 y x^2 yx2 的示例。我们将创建一个简单的神经网络#xff0c;定义损失函数和优化器#xff0c;并进行训练。
下面是完整的代码示例#xff1a;
import torch
import torch.nn as nn
import torch.optim …下面是一个使用PyTorch实现全连接网络来拟合简单二次函数 y x 2 y x^2 yx2 的示例。我们将创建一个简单的神经网络定义损失函数和优化器并进行训练。
下面是完整的代码示例
import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt# 生成数据
x torch.linspace(-10, 10, 100).unsqueeze(1)
y x**2# 定义全连接网络
class SimpleNN(nn.Module):def __init__(self):super(SimpleNN, self).__init__()self.fc1 nn.Linear(1, 128)self.fc2 nn.Linear(128, 64)self.fc3 nn.Linear(64, 1)def forward(self, x):x torch.relu(self.fc1(x))x torch.relu(self.fc2(x))x self.fc3(x)return x# 实例化模型、损失函数和优化器
model SimpleNN()
criterion nn.MSELoss()
optimizer optim.Adam(model.parameters(), lr0.01)# 训练模型
num_epochs 1000
for epoch in range(num_epochs):model.train()optimizer.zero_grad()outputs model(x)loss criterion(outputs, y)loss.backward()optimizer.step()if (epoch1) % 100 0:print(fEpoch [{epoch1}/{num_epochs}], Loss: {loss.item():.4f})# 预测
model.eval()
predicted model(x).detach()# 可视化结果
plt.plot(x.numpy(), y.numpy(), ro, labelOriginal data)
plt.plot(x.numpy(), predicted.numpy(), b-, labelFitted line)
plt.legend()
plt.show()这段代码的具体步骤如下
生成数据创建输入数据 ( x ) 和对应的标签 ( y )。定义网络结构创建一个简单的全连接神经网络包括三层线性层。实例化模型、损失函数和优化器使用均方误差损失函数和Adam优化器。训练模型在1000个epoch上训练模型并在每100个epoch打印一次损失。预测和可视化使用训练好的模型进行预测并将原始数据和拟合结果进行可视化。
运行这段代码后你将看到一个图形其中红点表示原始的二次函数数据蓝线表示神经网络拟合的结果。
