任务
通过输入的sin曲线与预测出对应的cos曲线
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
#初始加载包 和定义参数
import torch
from torch import nn
import numpy as np
import matplotlib.pyplot as plt
torch.manual_seed(1) #为了可复现
#超参数设定
TIME_SETP=10
INPUT_SIZE=1
LR=0.02
DOWNLoad_MNIST=True
|
定义RNN网络结构
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
from torch.autograd import Variable
class RNN(nn.Module):
def __init__(self):
#在这个函数中，两步走，先init,再逐步定义层结构
super(RNN,self).__init__()
self.rnn=nn.RNN( #定义32隐层的rnn结构
input_size=1,
hidden_size=32, #隐层有32个记忆体
num_layers=1, #隐层层数是1
batch_first=True
)
self.out=nn.Linear(32,1) #32个记忆体对应一个输出
def forward(self,x,h_state):
#前向过程，获取 rnn网络输出r_put(注意这里r_out并不是最后输出，最后要经过全连接层) 和 记忆体情况h_state
r_out,h_state=self.rnn(x,h_state)
outs=[]#获取所有时间点下得到的预测值
for time_step in range(r_out.size(1)): #将记忆rnn层的输出传到全连接层来得到最终输出。 这样每个输入对应一个输出，所以会有长度为10的输出
outs.append(self.out(r_out[:,time_step,:]))
return torch.stack(outs,dim=1),h_state #将10个数 通过stack方式压缩在一起
rnn=RNN()
print('RNN的网络体系结构为：',rnn)
|
创建数据集及网络训练
以sin曲线为特征，以cos曲线为标签进行网络的训练
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
|
#定义优化器和 损失函数
optimizer=torch.optim.Adam(rnn.parameters(),lr=LR)
loss_fun=nn.MSELoss()
h_state=None #记录的隐藏层状态，记住这就是记忆体，初始时候为空，之后每次后面的都会使用到前面的记忆，自动生成全0的
#这样加入记忆信息后，每次都会在之前的记忆矩阵基础上再进行新的训练，初始是全0的形式。
#启动训练，这里假定训练的批次为100次
plt.ion() #可以设定持续不断的绘图，但是在这里看还是间断的，这是jupyter的问题
for step in range(100):
#我们以一个π为一个时间步 定义数据，
start,end=step*np.pi,(step+1)*np.pi
steps=np.linspace(start,end,10,dtype=np.float32) #注意这里的10并不是间隔为10，而是将数按范围分成10等分了
x_np=np.sin(steps)
y_np=np.cos(steps)
#将numpy类型转成torch类型 *****当需要 求梯度时，一个 op 的两个输入都必须是要 Variable，输入的一定要variable包下
x=Variable(torch.from_numpy(x_np[np.newaxis,:,np.newaxis]))#增加两个维度，是三维的数据。
y=Variable(torch.from_numpy(y_np[np.newaxis,:,np.newaxis]))
#将每个时间步上的10个值 输入到rnn获得结果 这里rnn会自动执行forward前向过程. 这里输入时10个，输出也是10个，传递的是一个长度为32的记忆体
predition,h_state=rnn(x,h_state)
#更新新的中间状态
h_state=Variable(h_state.data) #擦，这点一定要从新包装
loss=loss_fun(predition,y)
#print('loss:',loss)
optimizer.zero_grad()
loss.backward()
optimizer.step()
# plotting 画图，这里先平展了 flatten，这样就是得到一个数组，更加直接
plt.plot(steps, y_np.flatten(), 'r-')
plt.plot(steps, predition.data.numpy().flatten(), 'b-')
#plt.draw();
plt.pause(0.05)
plt.ioff() #关闭交互模式
plt.show()
|
以上这篇pytorch-RNN进行回归曲线预测方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/maqunfi/article/details/84504645