修改网络
神经网络入门—自定义网络-CSDN博客
修改数据集，y=x^2
# 生成一些示例数据
x_train = torch.tensor([[1.0], [2.0], [3.0], [4.0]], dtype=torch.float32)
y_train = torch.tensor([[1.0], [4.0], [9.0], [16.0]], dtype=torch.float32)将预测代码改为，可以接收用户输入并输出
# 加载模型
loaded_model = Net()
loaded_model.load_state_dict(torch.load('model.pth'))
loaded_model.eval() # 将模型设置为评估模式
while True:# 输入新数据进行预测num=float(input())new_input = torch.tensor([[num]], dtype=torch.float32)with torch.no_grad():prediction = loaded_model(new_input)print(f"输入 {new_input.item()} 的预测结果: {prediction.item()}")结果
分析
训练数据x为[1.0,2.0,3.0,4.0]
x为3.0和3.5时，测试数据与训练数据较为接近，模型能较为准确预测结果
x为5.0和10.0时，测试数据与训练数据有一定差别，模型预测结果比较不准确
x为-1时，模型预测为负数，实际应为正数，因为我们的训练集没有负数，所以模型没有学到这点
重新设计网络
增加-100-100数据集
# 生成 -100 到 100 范围内的 x
x_train = torch.arange(-100, 101, dtype=torch.float32).unsqueeze(1)
# 计算对应的 y，假设 y 是 x 的平方
y_train = x_train ** 2Loss收敛慢，网络不能拟合实际函数
即时增加到3000次迭代仍然不能解决问题/(ㄒoㄒ)/~~
问题：
- 模型结构过于简单：当前模型仅包含两个全连接层，对于拟合 \(y = x^2\) 这样的非线性函数，可能表达能力不够。可以增加网络的深度和宽度，例如添加更多的隐藏层。
- 学习率不合适：学习率太大可能会使训练过程不稳定，太小则会导致收敛速度过慢。可以尝试使用自适应学习率的优化器，如 Adam。
- 训练轮数不足：可以适当增加训练轮数，让模型有更多的机会学习数据的特征。
增加网络层数
class Net(nn.Module):def __init__(self):super().__init__()# 增加网络的宽度和深度self.fc1 = nn.Linear(1, 20)self.fc2 = nn.Linear(20, 20)self.fc3 = nn.Linear(20, 20)self.fc4 = nn.Linear(20, 20)self.fc5 = nn.Linear(20, 1)def forward(self, x):x = self.fc1(x)x = F.relu(x)x = self.fc2(x)x = F.relu(x)x = self.fc3(x)x = F.relu(x)x = self.fc4(x)x = F.relu(x)x = self.fc5(x)return x
增加神经元个数
class Net(nn.Module):def __init__(self):super().__init__()# 增加网络的宽度和深度self.fc1 = nn.Linear(1, 200)self.fc2 = nn.Linear(200, 200)self.fc3 = nn.Linear(200, 200)self.fc4 = nn.Linear(200, 200)self.fc5 = nn.Linear(200, 1)def forward(self, x):x = self.fc1(x)x = F.relu(x)x = self.fc2(x)x = F.relu(x)x = self.fc3(x)x = F.relu(x)x = self.fc4(x)x = F.relu(x)x = self.fc5(x)return xLoss波动，疑似出现过拟合
