Pytorch菜鸟入门(1)——Regression回归【代码】

最新推荐文章于 2024-08-18 08:00:00 发布

哞哞哞是Echo

最新推荐文章于 2024-08-18 08:00:00 发布

阅读量1.2k

点赞数

分类专栏： Pytorch 文章标签：神经网络 python 可视化机器学习

本文链接：https://blog.csdn.net/EchoooZhang/article/details/104068615

版权

Pytorch 专栏收录该内容

5 篇文章 4 订阅

订阅专栏

Pytorch菜鸟入门——Regression回归【代码】

本系列文章为小白针对Morvan的课程中Pytorch学习过程中理解和记录，用于自己复习回顾，可参考。

1.准备数据

这部分首先是导入需要用的包，其中创建一些假数据来模拟真实的情况. 比如一个一元二次函数: y = a * x^2 + b, 我们给 y 数据加上一点噪声来更加真实的展示它.其中 torch.unsqueeze是将一维数据变为二维。
本来 x,y都需要放入variable里才可以使用，但现在最新的pytorch不用写这一句了。# x, y = Variable(x), Variable(y)可以直接注释。

import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  
# x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size())                 
# noisy y data (tensor), shape=(100, 1)

# x, y = Variable(x), Variable(y)
# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()

2.建立神经网络

真正构建神经网络是在forward里。
在这里插入图片描述

3.训练神经网络

SGD是随机梯度下降的优化方式
学习率lr一般设置为小于1
误差函数计算prediction与y的误差时一定prediction在前，Y（真实值）在后。
在这里插入图片描述

4.动态可视化训练结果

其中plt.ion()表示画动态图
t为训练步数，t%5==0为每5步更新下图
在这里插入图片描述

5.可视化结果【选取其中几张】

、
在这里插入图片描述

可执行代码如下：

import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt

# torch.manual_seed(1)    # reproducible

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size())                 # noisy y data (tensor), shape=(100, 1)

# torch can only train on Variable, so convert them to Variable
# The code below is deprecated in Pytorch 0.4. Now, autograd directly supports tensors
# x, y = Variable(x), Variable(y)

# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()


class Net(torch.nn.Module):
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(n_feature, n_hidden)   # hidden layer
        self.predict = torch.nn.Linear(n_hidden, n_output)   # output layer

    def forward(self, x):
        x = F.relu(self.hidden(x))      # activation function for hidden layer
        x = self.predict(x)             # linear output
        return x

net = Net(n_feature=1, n_hidden=10, n_output=1)     # define the network
print(net)  # net architecture

optimizer = torch.optim.SGD(net.parameters(), lr=0.2)
loss_func = torch.nn.MSELoss()  # this is for regression mean squared loss

plt.ion()   # something about plotting

for t in range(200):
    prediction = net(x)     # input x and predict based on x

    loss = loss_func(prediction, y)     # must be (1. nn output, 2. target)

    optimizer.zero_grad()   # clear gradients for next train
    loss.backward()         # backpropagation, compute gradients
    optimizer.step()        # apply gradients

    if t % 5 == 0:
        # plot and show learning process
        plt.cla()
        plt.scatter(x.data.numpy(), y.data.numpy())
        plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
        plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color':  'red'})
        plt.pause(0.1)

plt.ioff()
plt.show()