PyTorch 教程-使用自定义模块创建数据模型

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))

专属福利 
👉点击领取：最全Python资料合集

<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>)

 1

热门推荐

• 这届95后，下班后连VX都不看
• PyTorch 教程-预测和线性类
• iOS快捷指令：间隔时间如何计算?