pytorch入门2.1构建回归模型初体验(模型构建)

时间:2021-02-03 07:21:25

pytorch入门2.x构建回归模型系列:

pytorch入门2.0构建回归模型初体验(数据生成)

pytorch入门2.1构建回归模型初体验(模型构建)

pytorch入门2.2构建回归模型初体验(开始训练)

终于要构建模型啦。这里我们构建的是回归模型,是用神经网络构建的,基本结构是什么样的呢?

你肯定听说过,神经网络有输入层、隐藏层、输出层,一般结构如下图所示(图片来源于网络,侵删):

pytorch入门2.1构建回归模型初体验(模型构建)

所以,对比我们之前生成的数据来说,形如x=3我们想得到的输出为y=8。分别对应了上面的输入层和输出层,所以,在此我们要构建中间的隐藏层来模拟那个看不见的函数(我们生成数据的函数,假设是未知的,因为如果是已知的,我们直接用这个函数式子来求输出啦。现在就是利用神经网络强大的对函数的拟合能力,来模拟这个函数)。

下面就来建立第一个模型吧:

class LinearRegression(nn.Module):  # 继承父类nn.Module,很多额外的、重要的东西就不用写了,只管自己做的事情就可以(你不是要建立回归模型么)
def __init__(self):
super(LinearRegression,self).__init__() # 调用父类的初始化函数
# 建立隐藏层,下面是三个隐藏层
self.linear = nn.Linear(1,10) # 输入是一个数,所以输出是1,中间建立10个隐藏层节点,此时,你输出的是10个数
self.linear2 = nn.Linear(10,6,bias=True) # 承接上一层的输入,10个数,此层在融合成6个数。这里加了个偏置参数。
self.linear3 = nn.Linear(6,1) # 输出层,承接上面6个数,最终输出一个数
# 至此网络的部件定义完毕 # 网络的部件定义好了,下面开始组装啦,设置数据如何在网络中流动,即前向传播
def forward(self,x): #输入的是x,就是指前面的输入层的输入
# 设置数据流动过程,如果网络非常复杂,此处要注意输入数据的维度,经过各层之后得到的数据维度。
x = F.relu(self.linear(x)) #首先经过一个线性层linear,然后经过一个激活函数relu
x = F.relu(self.linear2(x)) #同上
x = self.linear3(x) # 最终经过最后的线性层,得到结果,结果是1维的哦
return x # 返回最后得到的数据

经过上面之后,一个网络模型就定义完成了,动动脑筋想想我们构建的模型是怎么样的呢?就是形如上面那张图的样子,只是中间的节点数量会变化。

模型定义好了,当然我们用的时候要实例化,我们先实例化一下,打印出来看看模型啥样?

model = LinearRegression()
print(model)
'''
===output===
LinearRegression(
(linear): Linear(in_features=1, out_features=10, bias=True)
(linear2): Linear(in_features=10, out_features=6, bias=True)
(linear3): Linear(in_features=6, out_features=1, bias=True)
)
'''

可以看到模型的形状正如我们上面所介绍,网络模型是有三个线性层,这里把激活函数省略了。

下一节,我们继续介绍如何使用定义好的网络模型去做回归训练啦。