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>)

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>)