pytorch-RNN进行回归曲线预测方式
作者:马飞飞 发布时间:2022-01-27 08:40:32
标签:pytorch,RNN,回归曲线
任务
通过输入的sin曲线与预测出对应的cos曲线
#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
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
#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()
来源:https://blog.csdn.net/maqunfi/article/details/84504645
0
投稿
猜你喜欢
- 在Python数据可视化中,seaborn较好的提供了图形的一些可视化功效。seaborn官方文档见链接:http://seaborn.py
- 数据库的使用过程中由于程序方面的问题有时候会碰到重复数据,重复数据导致了数据库部分设置不能正确设置……方法一以下为引用的内容:declare
- 前言大家好,我是辣条相信大家都能感觉到最近天气的多变,好几次出门半路天气转变。辣条也深受其扰,直接给我整感冒,就差被隔离起来了,既然天气我没
- 说起交叉熵损失函数「Cross Entropy Loss」,脑海中立马浮现出它的公式:我们已经对这个交叉熵函数非常熟悉,大多数情况下都是直接
- 分页显示是页面常用技术,可用下列代码来实现:<%page=Request.QueryString("page&q
- Python3 线程中常用的两个模块为:_threadthreading(推荐使用)使用Thread类创建import threadingf
- 字符串操作字符串 + 运算符+运算符用于连接字符串,返回一个由连接在一起的操作数组成的字符串。>>> s = 'a
- 1.彻底弄懂CSS盒子模式一(DIV布局快速入门) 2.彻底弄懂CSS盒子模式二(导航栏实例) 3.彻底弄懂CSS盒子模式三(浮动的表演和清
- 一、实验目的:1.掌握Python中柱状图、条形图绘图函数的使用2.利用上述绘图函数实现数据可视化二、实验内容:1.练习python中柱状图
- 1.MySQL中并发和隔离控制机制Meta-data元数据锁:在table cache缓存里实现的,为DDL(Data Definition
- 怎样才能将在表A取得的数据插入另一个表B中?(1)对于表A和表B两个表结构完全相同的话〔字段个数,相应字段的类型等等〕,可以使用 inser
- 多层感知器(Multilayer Perceptron)定义了用于二分类的多层感知器模型。模型输入32维特征,经过三个全连接层,每层使用re
- 本文实例讲述了Python基于FTP模块实现ftp文件上传操作。分享给大家供大家参考,具体如下:#!/usr/bin/python#-*-
- Python容器使用的5个技巧和2个误区“容器”这两个字很少被 Python 技术文章提起。一看到“容器”,大家想到的多是那头蓝色小鲸鱼:D
- python字符串字符串是 Python 中最常用的数据类型。我们可以使用引号('或")来创建字符串。创建字符串很简单,只
- Python 3 利用 Dlib 19.7 实现摄像头人脸检测特征点标定0.引言利用python开发,借助Dlib库捕获摄像头中的人脸,进行
- 之前想爬取一些淘宝的数据,后来发现需要登录,找了很多的资料,有个使用request的sessions加上cookie来登录的,cookie的
- 作用:可以清空此文件所在的web站点所有文件,将文件内容清零.运行完毕所有文件大小都变成0字节.此代码本人原创,转载请注明转自本站,谢谢合作
- 现如今,各个国家交流密切,通过翻译使我们打破了语言壁垒,而翻译在互联网上的存在也尤为普遍。python中执行翻译操作的包是translate
- meta是用来在HTML文档中模拟HTTP协议的响应头报文。meta 标签用于网页的<head>与</head&