多维特征输入，多层神经网络学习
首先对多维特征进行解释：如有一个y，他的值由8个x（x1,x2，x3~~）决定，那么x就有8个维度。我们的linear所作的事就是y=wx+b,其中每一个量都是向量，因此可以处理多维度数据。如x有8个维度，y有一个维度，那么可以写成self.linear=torch.nn.Linear(8,1)内部过程就是：y(N*1),x(N*8)(表示y一维，x8维，总共有N个数据)，那么w就是（8*1），矩
首先对多维特征进行解释：
如有一个y，他的值由8个x（x1,x2，x3~~）决定，那么x就有8个维度。
我们的linear所作的事就是y=wx+b,其中每一个量都是向量，因此可以处理多维度数据。
如x有8个维度，y有一个维度，那么可以写成self.linear=torch.nn.Linear(8,1)
内部过程就是：
y(N*1),x(N*8)(表示y一维，x8维，总共有N个数据)，那么w就是（8*1），矩阵乘法就成了
那么w一定要(8*1)吗？当然不，可以先（8*2）,再（2*1）呀。于是就有了多层的神经网络。如：
self.linear1 = torch.nn.Linear(8,2)#代表着输入8维，输出2维
self.linear2 = torch.nn.Linear(2,1)#输入2维，输出1维（最终结果）
同理，前向传播时也要变成：
def forward(self,x):
x = self.linear1(x)
x = self.linear2(x)
return x
这样我们就有了一个两层的神经网络。
当然你可以选择更多的，可以（8*100）——》（100*10）——》（10*1），都可以，可以任意多层，每层的神经元数也随意。
腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。
更多推荐
2
0- 0
已为社区贡献1条内容
所有评论(0)