pytorch学习（四）回归问题

我们学习pytorch的目的是进行深度学习，而深度学习可以干哪些事呢？主要有两个：1）回归问题，2）分类问题。何谓回归，线性回归大家一定都学过，通俗来讲就是给定坐标系下一些点，来用一条曲线进行拟合，以描绘这些样本点的变化趋势，这就是回归。
下面就通过代码实例来学习，通过一些数据来拟合一条回归曲线。具体讲解请参考莫烦pythons（代码来源）

# 首先导入所需要的模块
import torch  
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt
#  构建数据
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x data (tensor), shape=(100, 1)
#  因为在torch中数据是有维度的，通过linspace生成的是[-1, 1]之间的100个一维数据格式为[1, 2, 3]这样的，通过unaqueeze可以使这些数据有维度，通过dim=1参数设定这些数在列上，如果设定dim=0则设定这些数在行上，此时这100个数为一列，它的shape为(100, 1)，形式是[[1], [2]]这样的，这一操作是必须的，可以死记住
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()