神经网络拟合函数

我努力过无数次了，但我明白，机会只存在于其中的一两次。

神经网络学习拟合函数

建立一个简单的神经网络模型，用于拟合方程 y = 3x + 2。通过迭代训练，模型逐渐学习拟合这个线性方程，最后进行预测。

代码运行需要的库

torch
matplotlib

代码

import torch
import torch.nn as nn
import torch.optim as optim
class EquationFittingModel(nn.Module):  # 定义一个简单的神经网络
    def __init__(self):
        super(EquationFittingModel, self).__init__()  # 调用父类（nn.Module）的构造函数，确保我们的神经网络模型继承了父类的属性和方法
        self.fc1 = nn.Linear(1, 64)  # 输入层到隐藏层的全连接层
        self.relu = nn.ReLU()  # 激活函数
        self.fc2 = nn.Linear(64, 1)  # 隐藏层到输出层的全连接层
    def forward(self, x):  # 神经网络向前传播
        x = self.fc1(x)  # 输入数据 x 经过第一个全连接层 (fc1)，进行线性变换
        x = self.relu(x)  # 线性变换后的结果经过激活函数 ReLU，引入非线性
        x = self.fc2(x)  # 经过第二个全连接层 (fc2)，进行另一次线性变换
        return x  # 模型预测结果
# 创建模型实例
equation_model = EquationFittingModel()  # 创建一个名为 equation_model 的神经网络模型的实例
criterion = nn.MSELoss()  # 定义均方误差损失函数
optimizer = optim.Adam(equation_model.parameters(), lr=0.001)  # 选择Adam优化器
# 模拟一些训练数据
x_train = torch.rand((100, 1))  # 形状为 (100, 1) 的在 [0, 1) 范围内均匀分布的张量（tensor）
y_train = 3 * x_train + 2 + 0.1 * torch.randn((100, 1))  # 模拟方程 y = 3x + 2 + 噪声
# 训练模型
num_epochs = 1000
for epoch in range(num_epochs):
    # 前向传播
    y_pred = equation_model(x_train)
    # 计算损失
    loss = criterion(y_pred, y_train)
    # 反向传播和优化
    optimizer.zero_grad()  # 清零梯度，防止梯度累积
    loss.backward()  # 反向传播，计算梯度
    optimizer.step()  # 更新模型参数
    if (epoch + 1) % 100 == 0:  # 每经过 100 次迭代时执行其中的代码块。在这里，代码块是用于打印当前迭代的损失值
        print(f'Epoch [{epoch + 1}/{num_epochs}], Loss: {loss.item():.4f}')
# 使用训练好的模型进行预测
x_test = torch.rand((10, 1))
y_pred_test = equation_model(x_test)
print("Predictions:", y_pred_test.detach().numpy())

预测结果可视化

结果图

代码

import matplotlib.pyplot as plt
# ... （上面的模型定义和训练代码）
# 使用训练好的模型进行预测
x_test = torch.linspace(0, 1, 100).view(-1, 1)  # 在区间 [0, 1] 生成一些测试数据
y_pred_test = equation_model(x_test)
# 可视化训练数据和模型拟合结果
plt.scatter(x_train.numpy(), y_train.numpy(), label='训练数据', color='blue')
plt.plot(x_test.numpy(), y_pred_test.detach().numpy(), label='模型预测结果', color='red', linewidth=2)
plt.xlabel('x')
plt.ylabel('y')
plt.title('神经网络拟合方程')
plt.legend()
plt.show()

总结

上述代码实现了一个简单的神经网络模型（EquationFittingModel），并使用该模型拟合了一个线性方程。以下是对代码的总结：

1. 定义神经网络模型:

   • EquationFittingModel 类继承自 nn.Module，表示一个神经网络模型。
   • __init__ 方法用于定义模型的结构，包括两个全连接层和一个 ReLU 激活函数。
   • forward 方法实现了神经网络的前向传播。

2. 创建模型实例:

   • equation_model = EquationFittingModel() 创建了一个 EquationFittingModel 类的实例。

3. 定义损失函数和优化器:

   • 使用均方误差损失函数 nn.MSELoss 衡量模型输出与实际标签之间的差距。
   • 使用 Adam 优化器 optim.Adam 进行参数优化，学习率为 0.001。

4. 生成训练数据:

   • x_train 是一个在 [0, 1) 范围内均匀分布的随机张量，形状为 (100, 1)。
   • y_train 模拟了一个线性方程 y = 3x + 2，并添加了噪声。

5. 训练模型:

   • 进行了 1000 次迭代，每次迭代包括前向传播、计算损失、反向传播和优化过程。
   • 通过 optimizer.zero_grad() 清零梯度，避免梯度累积。
   • loss.backward() 计算梯度，optimizer.step() 更新模型参数。
   • 每 100 次迭代打印一次损失值。

6. 使用训练好的模型进行预测:

   • 生成一些测试数据 x_test，并通过模型进行预测得到 y_pred_test。

7. 可视化训练数据和模型拟合结果:

   • 使用 Matplotlib 对训练数据和模型拟合结果进行可视化。

总体而言，该代码演示了使用 PyTorch 创建、训练和使用一个简单的神经网络模型进行拟合任务，并通过可视化展示了模型对数据的拟合效果。