PyTorch 教程-使用自定义模块创建数据模型
PyTorch 教程-使用自定义模块创建数据模型
gh_1d7504e4dee1
回复：python，领取Python面试题。分享Python教程，Python架构师教程，Python爬虫，Python编程视频，Python脚本，Pycharm教程，Python微服务架构，Python分布式架构，Pycharm注册码。
还有另一种方法可以进行预测。在前一节中，我们使用 forward() 方法和实现一个线性模型来进行预测。这种方法非常高效可靠。它易于理解和实现。
在自定义模块中，我们通过类来创建一个自定义模块，并且实现它的 init() 和 forward() 方法以及模型。init() 方法用于初始化类的新实例。在这个 init() 方法中，第一个参数是 self，表示类的实例，即尚未初始化的对象，之后我们可以添加额外的参数。
下一个参数是用于初始化线性模型的实例。在我们之前的章节中，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，而不传递它们的默认值。
在此过程中，需要导入 torch 的 nn 包。在这里，我们使用继承，使得这个子类能够利用我们基类的代码，在模块中。
模块本身通常会作为所有神经网络模块的基类。之后，我们通过创建一个模型来进行预测。
让我们看一个通过创建自定义模块进行预测的示例：
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))
资源分享
<
torch._C.Generator
object
at
0x000001B9B6C4E2B0
>
tensor([0.0739], grad_fn=
<
AddBackward0
>
)
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))
<torch._C.Generator
object
at
0x000001B9B6C4E2B0
>
tensor([[
0.0739
],
[
0.5891
],
[
1.1044
]], grad_fn=<AddmmBackward>)
-
用Python写一个带界面的宿舍管理系统 -
PyTorch 教程-预测和线性类 -
Poe AI 机器人 GothicArtUA：哥特式艺术