import torch
from torch.autograd import Variable
import numpy as np
import random
import matplotlib.pyplot as plt
from torch import nn
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
#[1,2,3,4]这样的矩阵是一维的,[[1,2,3,4]]是二维的,unsqueeze()可以将一维矩阵变成二维矩阵,因为torch只处理2维数据
y = 3*x + 10 + torch.rand(x.size())
# 上面这行代码是制造出接近y=3x+10的数据集,后面加上torch.rand()函数制造噪音
if torch.cuda.is_available():
print('yes')
inputs = Variable(x).cuda()#要把x,y都变成variable,因为神经网络只能处理variable
target = Variable(y).cuda()
else:
inputs = Variable(x)
target = Variable(y)
# 画图
# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()
################################搭建神经层
class LinearRegression(nn.Module):#神经网络结构(官方步骤)
def __init__(self):#神经网络层信息(官方步骤)
super(LinearRegression, self).__init__()#(官方步骤)
self.linear = nn.Linear(1, 1) # 输入和输出的维度都是1,输入是x,输出是y的预测值
def forward(self, x):#向前传递结构
out = self.linear(x)
return out
if torch.cuda.is_available():
net = LinearRegression().cuda()
else:
net = LinearRegression()
####################################
criterion = nn.MSELoss()#计算预测值和实际值 均方差
optimizer = torch.optim.SGD(net.parameters(), lr=0.005)#优化器,随机梯度下降算法
num_epochs = 1000
for epoch in range(num_epochs):
# 向前传播
out = net(inputs)
loss = criterion(out, target)
# 向后传播
optimizer.zero_grad() # 注意每次迭代都需要清零
loss.backward()
optimizer.step()
if (epoch+1) %20 == 0:
print('Epoch[{}/{}], loss:{:.6f}'.format(epoch+1, num_epochs, loss.item()))
net.eval()
if torch.cuda.is_available():
predict = net(Variable(x).cuda())
predict = predict.data.cpu().numpy()
else:
predict = net(Variable(x))
predict = predict.data.numpy()
plt.plot(x.numpy(), y.numpy(), 'ro', label='Original Data')
plt.plot(x.numpy(), predict, label='Fitting Line')
plt.show()
神经网络第二种写法
class Net(torch.nn.Module): # 继承 torch 的 Module
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
def forward(self, x): # 这同时也是 Module 中的 forward 功能
# 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
net = Net(n_feature=1, n_hidden=10, n_output=1)