pytorch-RNN进行回归曲线预测方式
137 浏览量
2020-09-18
02:54:58
上传
评论
收藏 76KB PDF 举报
pytorch-RNN进行回归曲线预测方式进行回归曲线预测方式
今天小编就为大家分享一篇pytorch-RNN进行回归曲线预测方式，具有很好的参考价值，希望对大家有所帮助。
一起跟随小编过来看看吧
任务任务
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
定义定义RNN网络结构网络结构
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)
资源评论
weixin_38508821
- 粉丝: 6
- 资源: 953
最新资源
- CCHMIRuntime.dll和CCHMITags.dllCCHMIRuntime.dll和CCHMITags.dllCCHM
- 通过C#代码创建IIS应用程序池和网站
- Studentscore.py
- 设备预处理JESD22-A113F
- JESD22A111可焊性
- Nuvoton.NuMicro-DFP.1.3.3.pack
- C51单片机的串口主从机通信在LCD1602液晶屏幕上实时显示电流并监测电压KEIL软件源码+仿真.zip
- GetApkInfo.jar
- Highly Accelerated Temperature and Humidity Stress Test (HAST)
- SPI- dma- normal -主模式
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
