📌  相关文章
📜  PyTorch自定义模块

📅  最后修改于: 2020-11-11 00:39:18             🧑  作者: Mango

使用自定义模块创建数据模型

还有另一种查找预测的方法。在上一节中，我们使用forward()和实现线性模型来找到预测。此方法非常有效且可靠。很容易理解和实施。

在自定义模块中，我们使用类创建一个自定义模块，它是init()和forward()方法和模型。 init()方法用于初始化该类的新实例。在此init()方法中，第一个参数是self，它指示该类的实例(该对象尚未初始化)，而在其自身之后，我们可以添加其他参数。

下一个参数是初始化线性模型的实例。在上一节中，初始化线性模型需要输入大小以及输出大小等于1，但是在自定义模块中，我们传递输入大小和输出大小变量而不传递其默认值。

在这种情况下，需要导入割炬的nn包。在此，我们使用继承，以便此子类将利用我们的基类和模块中的代码。

模块本身通常将充当所有神经网络模块的基类。之后，我们创建一个模型以进行预测。

让我们看一个示例，该示例如何通过创建自定义模块来完成预测：

对于单个数据

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))

输出：


tensor([0.0739], grad_fn=)

对于多个数据

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))

输出：


tensor([[0.0739],
        [0.5891],
        [1.1044]], grad_fn=)