前言
之前看了很多神经网络的算法,但是一直没有实操作过,加上对pytorch 不太熟悉,趁此机会熟悉一下。
拟合二次函数
拟合的目标函数是y=x*x+1; 再加上一些随机噪声。
由于函数比较简单 使用的神经网络。一个全连接层 + RELU 激活函数层+ 一个全连接输出层。实验结果如下:
拟合函数曲线和实际的函数曲线拟合的很好。
代码如下,由于比较简单,不再赘述太多。
#参考链接: https://blog.csdn.net/qq_37333048/article/details/110469670
# 神经网络的搭建--回归任务 #
import torch
import torch.nn.functional as F # 激励函数都在这
import matplotlib.pyplot as plt
# 建立数据
x = torch.unsqueeze(torch.linspace(-6.24,6.28, 900), dim=1) # x data (tensor), shape=(100, 1)
y = 2*x.pow(2) + 1 + 0.2*torch.rand(x.size()) # noisy y data (tensor), shape=(100, 1)
# y = torch.sin(x) + 0.1*torch.rand(x.size())
# 建立神经网络 这个神经网络 用于拟合 二次函数 有不错的
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)
print(net) # net 的结构
# 训练网络
# optimizer 是训练的工具
optimizer = torch.optim.SGD(net.parameters(), lr=0.002) # 传入 net 的所有参数, 学习率
# optimizer = torch.optim.Adam(net.parameters(),lr=0.002)
loss_func = torch.nn.MSELoss() # 预测值和真实值的误差计算公式 (均方差)
plt.ion() # 画图
plt.show()
epoch_nums = 100000
index_list = []
loss_list = []
accuray_list = []
for t in range(epoch_nums):
# prediction = net(x) # 喂给 net 训练数据 x, 输出预测值
prediction= net.forward(x)
# print(prediction[:10])
# print(f1[:10])
loss = loss_func(prediction, y) # 计算两者的误差
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
loss_list.append(loss.data.numpy())
index_list.append(t)
# 可视化训练过程
# if t % 100 == 0:
# # print(prediction)
# # print(net.forward(x))
# 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'})
# # if t<500:
# plt.pause(0.1)
# # else:
# # plt.pause(1)
plt.cla()
plt.subplot(2,1,1)
plt.scatter(x.data.numpy(), y.data.numpy(),label = 'raw_data')
plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5, label = 'fit_data')
plt.legend()
plt.subplot(2,1,2)
plt.plot(index_list, loss_list, label= 'loss')
plt.legend()
plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})
拟合三角函数 sin 函数
接下来想看看 一个神经网络的上限在哪里,保持网络结构不变,拟合三角函数(-2*pi, 2*pi).
拟合结果如下:
虽然loss 最后也收敛了,但是拟合的结果 不是很理想。尝试调试了学习率,变换优化器但是结果都不是很理想。所以参考文章,调整了网络结构。调整之后的结构如下:
Net(
(net): Sequential(
(0): Linear(in_features=1, out_features=10, bias=True)
(1): ReLU()
(2): Linear(in_features=10, out_features=100, bias=True)
(3): ReLU()
(4): Linear(in_features=100, out_features=10, bias=True)
(5): ReLU()
(6): Linear(in_features=10, out_features=1, bias=True)
)
)
最后拟合结果如下, 结果很好,
在实践中发现,adam 优化器 比SGD 优化器效果好,当然理论上也该如此。
github代码链接:
https://github.com/KJsouth/code_study/tree/master/Fitfuc