个性化阅读
专注于IT技术分析

PyTorch使用自定义模块创建数据模型

还有另一种查找预测的方法。在上一节中, 我们使用forward()和实现线性模型来找到预测。此方法非常有效且可靠。很容易理解和实施。

在”定制模块”中, 我们使用类创建一个定制模块, 它是init()和forward()方法和模型。 init()方法用于初始化类的新实例。在此init()方法中, 第一个参数是self, 它指示该类的实例(该对象尚未初始化), 而在其自身之后, 我们可以添加其他参数。

下一个参数是初始化线性模型的实例。在上一节中, 初始化线性模型需要输入大小以及输出大小等于1, 但是在自定义模块中, 我们传递输入大小和输出大小变量而不传递其默认值。

在这种情况下, 需要导入割炬的nn包。在此, 我们使用继承, 以便此子类将利用我们的基类和模块中的代码。

模块本身通常将充当所有神经网络模块的基类。之后, 我们创建一个模型以进行预测。

让我们看一个示例, 该示例如何通过创建自定义模块来完成预测:

对于单个数据

import torch
import torch.nn as nn
class LinearRegression(nn.Module):
	def __init__(self, input_size, output_size):
		super().__init__()
		self.linear=nn.Linear(input_size, output_size)
	def forward(self, x):
		pred=self.linear(x)
		return pred
torch.manual_seed(1)
model=LinearRegression(1, 1)
x=torch.tensor([1.0])
print(model.forward(x))

输出

<torch._C.Generator object at 0x000001B9B6C4E2B0>
tensor([0.0739], grad_fn=<AddBackward0>)
定制模块(创建数据模型)

对于多个数据

import torch
import torch.nn as nn
class LinearRegression(nn.Module):
	def __init__(self, input_size, output_size):
		super().__init__()
		self.linear=nn.Linear(input_size, output_size)
	def forward(self, x):
		pred=self.linear(x)
		return pred
torch.manual_seed(1)
model=LinearRegression(1, 1)
x=torch.tensor([[1.0], [2.0], [3.0]])
print(model.forward(x))

输出

<torch._C.Generator object at 0x000001B9B6C4E2B0>
tensor([[0.0739], [0.5891], [1.1044]], grad_fn=<AddmmBackward>)
定制模块(创建数据模型)

赞(0) 打赏
未经允许不得转载:srcmini » PyTorch使用自定义模块创建数据模型
分享到: 更多 (0)

评论 抢沙发

评论前必须登录!

 

觉得文章有用就打赏一下文章作者

微信扫一扫打赏