如何在Pytorch/Python中实现多项式回归
我想让我的神经网络解决一个多项式回归问题,比如y=(x*x)+2x-3 所以现在我创建了一个包含1个输入节点、100个隐藏节点和1个输出节点的网络,并为它提供了大量的历次训练,测试数据量很大。问题是,在大约20000个时代之后的预测是好的,但比训练后的线性回归预测更糟糕如何在Pytorch/Python中实现多项式回归,python,regression,pytorch,polynomial-approximations,Python,Regression,Pytorch,Polynomial Approximations,我想让我的神经网络解决一个多项式回归问题,比如y=(x*x)+2x-3 所以现在我创建了一个包含1个输入节点、100个隐藏节点和1个输出节点的网络,并为它提供了大量的历次训练,测试数据量很大。问题是,在大约20000个时代之后的预测是好的,但比训练后的线性回归预测更糟糕 import torch from torch import Tensor from torch.nn import Linear, MSELoss, functional as F from torch.optim impor
import torch
from torch import Tensor
from torch.nn import Linear, MSELoss, functional as F
from torch.optim import SGD, Adam, RMSprop
from torch.autograd import Variable
import numpy as np
# define our data generation function
def data_generator(data_size=1000):
# f(x) = y = x^2 + 4x - 3
inputs = []
labels = []
# loop data_size times to generate the data
for ix in range(data_size):
# generate a random number between 0 and 1000
x = np.random.randint(1000) / 1000
# calculate the y value using the function x^2 + 4x - 3
y = (x * x) + (4 * x) - 3
# append the values to our input and labels lists
inputs.append([x])
labels.append([y])
return inputs, labels
# define the model
class Net(torch.nn.Module):
def __init__(self):
super(Net, self).__init__()
self.fc1 = Linear(1, 100)
self.fc2 = Linear(100, 1)
def forward(self, x):
x = F.relu(self.fc1(x)
x = self.fc2(x)
return x
model = Net()
# define the loss function
critereon = MSELoss()
# define the optimizer
optimizer = SGD(model.parameters(), lr=0.01)
# define the number of epochs and the data set size
nb_epochs = 20000
data_size = 1000
# create our training loop
for epoch in range(nb_epochs):
X, y = data_generator(data_size)
X = Variable(Tensor(X))
y = Variable(Tensor(y))
epoch_loss = 0;
y_pred = model(X)
loss = critereon(y_pred, y)
epoch_loss = loss.data
optimizer.zero_grad()
loss.backward()
optimizer.step()
print("Epoch: {} Loss: {}".format(epoch, epoch_loss))
# test the model
model.eval()
test_data = data_generator(1)
prediction = model(Variable(Tensor(test_data[0][0])))
print("Prediction: {}".format(prediction.data[0]))
print("Expected: {}".format(test_data[1][0]))
它们是获得更好结果的一种方式吗?我想知道我是否应该尝试获得3个输出,分别称为a、b和c,这样y=a(x*x)+b(x)+c。但是,我不知道如何实现这一点,并训练我的神经网络。对于这个问题,如果你考虑<代码>网络(<)/代码> 1代码>线性< /代码>层为<代码>线性回归< /代码>,其输入特性包括<代码> [x^ 2,x] < /c> > />代码>。 生成您的数据
导入火炬
从火炬输入张量
从torch.nn导入线性、MSELoss,功能为F
来自torch.optim进口新加坡元、Adam、RMSprop
从torch.autograd导入变量
将numpy作为np导入
#定义我们的数据生成功能
def数据发生器(数据大小=1000):
#f(x)=y=x^2+4x-3
输入=[]
标签=[]
#循环数据\u生成数据的大小时间
对于范围内的ix(数据大小):
#生成一个介于0和1000之间的随机数
x=np.random.randint(2000)/1000#我在这里为您编辑
#使用函数x^2+4x-3计算y值
y=(x*x)+(4*x)-3
#将这些值附加到输入和标签列表中
inputs.append([x*x,x])
labels.append([y])
返回输入、标签
定义您的模型
#定义模型
类别网络(火炬网络模块):
定义初始化(自):
超级(网络,自我)。\uuuu初始化
self.fc1=线性(2,1)
def前进(自身,x):
返回自我.fc1(x)
model=Net()
然后训练它,我们得到:
系数
您要查找的系数a
,b
,c
实际上是自身的权重和偏差。fc1
:
print('a&b:',型号.fc1.重量)
打印('c:',model.fc1.bias)
#输出
a&b:包含以下内容的参数:
张量([[1.0000,4.0000]],需要_grad=True)
c:参数包含:
张量([-3.0000],需要_grad=True)
在仅仅5000个时代里,所有这些都融合在一起:a
->1、b
->4和c
->-3
该模型重量很轻,只有3个参数,而不是:
(100 + 1) + (100 + 1) = 202 parameters in the old model
希望这对你有帮助 输入仅仅是一个?非常感谢您的可能副本,这样更容易!我从没想过。哦,对不起,我不知道。这是我的第一个问题:DI意识到如果
0-2.0
中的x
在5000个时代内转换得更快,因为你将x
设置在0-1.0
范围内,那么很难看到x^2
的贡献。想象一下0.1^2
10倍于0.1
。我刚刚编辑了结果。再次感谢。我只是认识到,当你把数字生成器放在训练循环之外时,你只称它为“一”,它的速度更快,结果也更好。
(100 + 1) + (100 + 1) = 202 parameters in the old model