Pytorch01_通用结构

通用结构

 

首先：导入相关库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import torch
from torch import nn
from torch.autograd import Variable
 
plt.rcParams['font.sans-serif'] = ['SimHei'] 
plt.rcParams['axes.unicode_minus'] = False

 

step1：建立数据集，Train and Test

step2：建立模型

class BP(nn.Module):
    def __init__(self, input_size=576, output_size=288):
        super(BP, self).__init__()
        self.bp = nn.Sequential(
            nn.Linear(input_size, 288),
            nn.Linear(288, 144),
            nn.Linear(144, 72),
            nn.Linear(72, output_size),
        )

    def forward(self, x):
        result = self.bp(x)
        return result

另外一种写法

def create_net():
    net = nn.Sequential()
    net.add_module("linear1",nn.Linear(15,20))
    net.add_module("relu1",nn.ReLU())
    net.add_module("linear2",nn.Linear(20,15))
    net.add_module("relu2",nn.ReLU())
    net.add_module("linear3",nn.Linear(15,1))
    net.add_module("sigmoid",nn.Sigmoid())
    return net

net = create_net()
print(net)

效果都一样

Sequential(
(linear1): Linear(in_features=15, out_features=20, bias=True)
(relu1): ReLU()
(linear2): Linear(in_features=20, out_features=15, bias=True)
(relu2): ReLU()
(linear3): Linear(in_features=15, out_features=1, bias=True)
(sigmoid): Sigmoid()
)

step3：设置误差计算方法（均方差）及模型优化方法

model = BP()
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=1e-2)  # 1e-2

step4：训练

for e in range(3000):
    var_x = Variable(Train_x)
    var_y = Variable(Train_y)
    # 前向传播
    var_x = torch.tensor(var_x, dtype=torch.float32)
    var_y = torch.tensor(var_y, dtype=torch.float32)
    out = model(var_x)
    loss = criterion(out, var_y)
    # 反向传播
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if (e + 1) % 10 == 0:  # 每 10 次输出结果
        print('Epoch: {}, Loss: {:.5f}'.format(e + 1, loss.item()))

step5：使用测试集进行预测

model = model.eval()  # 转换成测试模式
Test_x = Variable(Test_x)
Test_x = torch.tensor(Test_x, dtype=torch.float32)
pred_test = model(Test_x)  # 测试集的预测结果
# 改变输出的格式
pred_test = pred_test.view(-1).data.numpy()

常用损失函数总结

nn.CrossEntropyLoss()  # 交叉熵，用于分类问题
nn.MSELoss()  # 均方误差，拟合 回归问题

常用优化器总结

torch.optim.SGD   # 带动量SGD优化算法
torch.optim.ASGD  # 表示随机平均梯度下降
torch.optim.Adagrad  # 是自适应的为各个参数分配不同的学习率
torch.optim.Adadelta  # Adadelta是Adagrad的改进。Adadelta分母中采用距离当前时间点比较近的累计项，这可以避免在训练后期，学习率过小。
torch.optim.RMSprop   # 也是对Adagrad的一种改进。RMSprop采用均方根作为分母，可缓解Adagrad学习率下降较快的问题
torch.optim.Adam(AMSGrad)  # Adam是一种自适应学习率的优化方法，Adam利用梯度的一阶矩估计和二阶矩估计动态的调整学习率