任务
通过输入的sin曲线与预测出对应的cos曲线
1
2
3
4
5
6
7
8
9
10
11
12
13
|
#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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
|
#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() |
以上这篇pytorch-RNN进行回归曲线预测方式就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持服务器之家。
原文链接:https://blog.csdn.net/maqunfi/article/details/84504645