PyTorch 教程-训练感知器模型

感知器模型的训练与线性回归模型类似。我们初始化一个具有两个输入节点的输入层和一个具有Sigmoid激活函数的输出节点的神经模型。当我们将模型与数据绘制在一起时，我们发现它并不很好地适应我们的数据。我们需要训练这个模型，使其具有最佳的权重和偏置参数，并适应这些数据。

训练模型有以下步骤：

步骤1

criterion=nn.BCELoss()  

步骤2

optimizer=torch.optim.SGD(model.parameters(),lr=0.01)   

专属福利 
👉点击领取：最全Python资料合集

步骤3

epochs=1000  losses=[]  fori in range(epochs):      ypred=model.forward(xdata)      loss=criterion(ypred,ydata)      print("epoch:",i,"loss:",loss.item())      losses.append(loss)      optimizer.zero_grad()  # Set the gradient to zero      loss.backward() #To compute derivatives       optimizer.step()    # Update the parameters   

plotfit('Trained Model')  

 1

热门推荐

• 卸载 Navicat: 正版 MySQL 官方客户端，真香
• PyTorch 教程-感知器模型
• iOS快捷指令：如何使用合并截屏?