输入顶点坐标输出立方体长宽高的神经网络 Snipaste贴图软件安装

 写一个神经网络，我输入立方体投影线段的三视图坐标，输出分类和长宽高 

放这了明天接着搞

--------------------------------------------

开搞

然而我的数据是这样的

 

 

winget install Snipaste

f1启动，双击贴图隐藏 

用右边4个数据做输入，左边五个做输出 的神经网络

还得改，我输入可不是4维

import torch
import torch.nn as nn
import torch.optim as optim# 定义模型
class MultiOutputModel(nn.Module):def __init__(self, input_dim, hidden_dim1, hidden_dim2, output_dim):super(MultiOutputModel, self).__init__()# 定义隐藏层self.hidden1 = nn.Linear(input_dim, hidden_dim1)self.hidden2 = nn.Linear(hidden_dim1, hidden_dim2)# 输出层self.output = nn.Linear(hidden_dim2, output_dim)def forward(self, x):# 前向传播x = torch.relu(self.hidden1(x))x = torch.relu(self.hidden2(x))x = self.output(x)  # 对于回归问题，输出层不使用激活函数return x# 参数设置
input_dim = 4  # 输入维度
hidden_dim1 = 32  # 第一隐藏层维度
hidden_dim2 = 64  # 第二隐藏层维度
output_dim = 5  # 输出维度# 初始化模型
model = MultiOutputModel(input_dim, hidden_dim1, hidden_dim2, output_dim)# 损失函数和优化器
criterion = nn.MSELoss()  # 均方误差损失，适用于回归问题
optimizer = optim.Adam(model.parameters(), lr=0.001)# 假设我们有训练数据 X_train 和 y_train
# X_train: [样本数, 4] 维度的输入数据
# y_train: [样本数, 5] 维度的目标数据# 训练模型
def train_model(X_train, y_train, model, criterion, optimizer, epochs=100):for epoch in range(epochs):model.train()optimizer.zero_grad()  # 清除梯度outputs = model(X_train)  # 前向传播loss = criterion(outputs, y_train)  # 计算损失loss.backward()  # 反向传播optimizer.step()  # 更新权重if (epoch+1) % 10 == 0:print(f'Epoch [{epoch+1}/{epochs}], Loss: {loss.item():.4f}')# 注意：在实际应用中，你需要将X_train和y_train转换为torch.Tensor类型，并可能需要对它们进行适当的预处理。
# 此外，还应考虑划分训练集和验证集以评估模型性能。# 示例调用train_model函数（请确保X_train和y_train已准备好并转换为正确的格式）
# train_model(X_train, y_train, model, criterion, optimizer, epochs=100)