1.建立第一个神经网络-关系拟合 (回归)

#任务：pytorch实践-关系拟合 (回归)
#任务描述：用神经网络将一群数据用一条线条来表示

import torch
import torch.nn.functional as F # 激励函数都在这

#1.建立数据集
x = torch.unsqueeze(torch.linspace(-1, 1,100), dim=1)#unsqueeze增加数据的维度的函数
y = x.pow(2) + 0.2*torch.rand(x.size())    
#print('x.size=',x.size())
#print('y.size=',y.size())
# 画图
#plt.scatter(x.data.numpy(), y.data.numpy())
#plt.show()

#2.搭建神经网络
class Net(torch.nn.Module):  # 继承 torch 的 Module
    
    #定义所有的层属性
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()# 继承 __init__ 功能
        # 定义每层用什么样的形式
        self.hidden = torch.nn.Linear(n_feature, n_hidden)   # 隐藏层线性输出
        self.predict = torch.nn.Linear(n_hidden, n_output)   # 输出层线性输出
        
    #通过前向传播一层层搭建层与层的关系链接， 建立关系的时候, 我们会用到激励函数；这同时也是 Module 中的 forward 功能
    def forward(self, x):   
        # 正向传播输入值, 神经网络分析出输出值
        x = F.relu(self.hidden(x))# 激励函数(隐藏层的线性值)
        x = self.predict(x)       # 输出值
        return x

#3.建立神经网络实例 然后训练它

net = Net(n_feature=1, n_hidden=10, n_output=1) 
# optimizer 是训练的工具
optimizer=torch.optim.SGD(net.parameters(),lr=0.2)# 传入 net 的所有参数, 学习率
loss_func=torch.nn.MSELoss()# 预测值和真实值的误差计算公式 (均方差)
for t in range(200):            #假设训练200次
    prediction=net(x)           # 喂给 net 训练数据 x, 输出预测值
    loss=loss_func(prediction,y)
    optimizer.zero_grad()       # 清空上一步的残余更新参数值
    loss.backward()             # 误差反向传播, 计算参数更新值
    optimizer.step()           # 将参数更新值施加到 net 的 parameters 上
    
    #可视化训练过程
    if t%5==0:
        plt.cla()
        plt.scatter(x.data.numpy(), y.data.numpy())#x-y散点
        plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)#x-y_predict线条
        plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color':  'red'})
        #plt.pause(0.1)#显示多少秒
1.建立第一个神经网络-关系拟合 (回归)

相关推荐
