基于PyTorch的神经网络之Regression的实现

在本文中，我们将介绍如何使用PyTorch实现一个简单的回归神经网络。我们将使用一个人工数据集来训练模型，并使用测试集来评估模型的性能。

数据集

我们将使用一个简单的人工数据集来训练模型。数据集包含两个特征和一个目标变量。我们将使用前两个特征来预测目标变量。示例代码如下：

import torch
from torch.utils.data import Dataset

class MyDataset(Dataset):
    def __init__(self, data, targets):
        self.data = data
        self.targets = targets

    def __getitem__(self, index):
        x = self.data[index]
        y = self.targets[index]
        return x, y

    def __len__(self):
        return len(self.data)

# 创建数据集
data = torch.randn(100, 2)
targets = 2 * data[:, 0] - 3 * data[:, 1] + 1
dataset = MyDataset(data, targets)

# 划分训练集和测试集
train_size = int(0.8 * len(dataset))
test_size = len(dataset) - train_size
train_dataset, test_dataset = torch.utils.data.random_split(dataset, [train_size, test_size])

在上述代码中，我们创建了一个人工数据集MyDataset，它包含两个特征和一个目标变量。我们使用前两个特征来预测目标变量。然后，我们将数据集划分为训练集和测试集。

模型

我们将使用一个简单的全连接神经网络来预测目标变量。该模型包含两个输入特征和一个输出变量。示例代码如下：

import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(2, 1)

    def forward(self, x):
        x = self.fc1(x)
        return x

# 创建模型
model = Net()

在上述代码中，我们定义了一个简单的全连接神经网络Net，它包含一个输入层和一个输出层。输入层有两个神经元，输出层有一个神经元。然后，我们创建了一个模型实例model。

训练模型

我们将使用均方误差（MSE）作为损失函数，使用随机梯度下降（SGD）作为优化器来训练模型。示例代码如下：

import torch.optim as optim

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(100):
    running_loss = 0.0
    for i, data in enumerate(train_dataset, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    print('Epoch %d loss: %.3f' % (epoch + 1, running_loss / len(train_dataset)))

在上述代码中，我们定义了损失函数criterion和优化器optimizer。然后，我们使用训练集训练模型。在每个epoch中，我们遍历训练集，并计算损失函数和梯度。然后，我们使用优化器更新模型参数。

评估模型

我们将使用测试集来评估模型的性能。我们将计算模型的均方误差（MSE）和R平方值（R2）。示例代码如下：

import numpy as np

# 评估模型
with torch.no_grad():
    predicted = model(test_dataset[:][0])
    mse = criterion(predicted, test_dataset[:][1])
    y_true = test_dataset[:][1].numpy()
    y_pred = predicted.numpy().flatten()
    r2 = 1 - np.sum((y_true - y_pred) ** 2) / np.sum((y_true - np.mean(y_true)) ** 2)
    print('MSE: %.3f' % mse)
    print('R2: %.3f' % r2)

在上述代码中，我们使用测试集评估模型的性能。我们计算模型的均方误差（MSE）和R平方值（R2）。MSE越小，模型的性能越好。R2越接近1，模型的性能越好。

总结

在本文中，我们介绍了如何使用PyTorch实现一个简单的回归神经网络。我们使用一个人工数据集来训练模型，并使用测试集来评估模型的性能。我们定义了一个全连接神经网络，使用均方误差（MSE）作为损失函数，使用随机梯度下降（SGD）作为优化器来训练模型。最后，我们计算了模型的均方误差（MSE）和R平方值（R2）来评估模型的性能。