强化学习代码路线图之神经网络预备

曾经，我学习的时候一直希望自己能够把控全局，希望能够有清晰的思路，于是我就花费大量时间精力来维护一个学习系统，然而收效甚微，甚至起反作用，我根本搞不懂该怎么做，所以总是做错，所以我决定不再过分苛求全局最优，这样根本是做不到。针对性的解决问题才是王道，不要浪费时间在无意义的事情上
话不多说，直接练习代码，注意，这是对深度学习的一个准备工作，因为前面已经学习了强化学习，所以要想会深度强化学习，得对深度学习的知识有所准备

分类

import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt
from torch.utils.tensorboard import SummaryWriter
import os
# torch.manual_seed(1)    # reproducible

# make fake data
log_dirs="logs/classi"
writer=SummaryWriter(log_dir=log_dirs)
n_data = torch.ones(100, 2)
x0 = torch.normal(2*n_data, 1)      # class0 x data (tensor), shape=(100, 2)
y0 = torch.zeros(100)               # class0 y data (tensor), shape=(100, 1)
x1 = torch.normal(-2*n_data, 1)     # class1 x data (tensor), shape=(100, 2)
y1 = torch.ones(100)                # class1 y data (tensor), shape=(100, 1)
x = torch.cat((x0, x1), 0).type(torch.FloatTensor)  # shape (200, 2) FloatTensor = 32-bit floating
y = torch.cat((y0, y1), ).type(torch.LongTensor)    # shape (200,) LongTensor = 64-bit integer

# 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()[:, 0], x.data.numpy()[:, 1], c=y.data.numpy(), s=100, lw=0, cmap='RdYlGn')
# 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.out = 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.out(x)
        return x

net = Net(n_feature=2, n_hidden=10, n_output=2)     # define the network
print(net)  # net architecture

optimizer = torch.optim.SGD(net.parameters(), lr=0.02)
loss_func = torch.nn.CrossEntropyLoss()  # the target label is NOT an one-hotted

plt.ion()   # something about plotting

for t in range(100):
    out = net(x)                 # input x and predict based on x
    loss = loss_func(out, y)     # must be (1. nn output, 2. target), the target label is NOT one-hotted

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

    if t % 2 == 0:
        # plot and show learning process
        plt.cla()
        prediction = torch.max(out, 1)[1]
        pred_y = prediction.data.numpy()
        target_y = y.data.numpy()
        plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, s=100, lw=0, cmap='RdYlGn')
        accuracy = float((pred_y == target_y).astype(int).sum()) / float(target_y.size)
        plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict={'size': 20, 'color':  'red'})
        plt.pause(0.1)

plt.ioff()
plt.show()

也添加了tensorboard，但是怎么感觉tensorboard对pytorch的支撑更弱一点，看不到网络结构。但是我查看了后发现并不是支持不到位，而是我代码没有到位，不过这也还是体现了它不如tensorboard的完美衔接，它还需要一个一个往里面添加，而TensorFlow只需要用回调函数即可。

将网络的结构图写入日志文件：在创建网络对象后，使用writer.add_graph()方法将网络的结构图写入日志文件。

writer.add_graph(model, input_to_model)

其中，model是你创建的网络对象，input_to_model是一个输入样本，用于确定网络的输入尺寸。

代码一定要多写几遍，多写几遍，多写几遍

已经多次提醒了，因为不练的话，到实战你只能抓瞎，啥都不会，看是看不会的，为啥印度的三哥在IT行业那么强，产生了许多硅谷CEO，人家从小就被代码，练代码，人家一直在实战啊！所以实战兴*，空看误*

下面是一个快速构建神经网络的例子

import torch
import torch.nn.functional as F

#这种是自定义的神经网络，自己写好类，然后用的时候直接新建对象即可
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)
        self.output=torch.nn.Linear(n_hidden,n_output)

    def forward(self,x):
        x=F.relu(self.hidden(x))
        x=self.predict(x)
        return x
#新建网络对象
net1=Net(1,10,1)

#另一种方式，借助pytorch中的函数直接定义，无需建类
net2=torch.nn.Sequential(torch.nn.Linear(1,10),torch.nn.ReLU(),torch.nn.Linear(10,1))
print(net1)
print(net2)

网络结构

我希望工作的代码是可以帮助到后人快速入手和进步的，而不是充满问题的代码，增加学习难度，所以最怕的就是一些学习材料你无法复现，这就成了学习过程中的阻碍