PyTorch-Regression回归

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt

x = torch.unsqueeze(torch.linspace(-1,1,100),dim = 1) #将一维变成二维
    #调用方法：linspace(x1,x2,N)用于产生x1，x2之间的N点行矢量，相邻数据跨度相同
y = x.pow(2)+0.2*torch.rand(x.size())

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__()  # 构造函数
        self.hidden = torch.nn.Linear(n_feature,n_hidden)
        self.predict = torch.nn.Linear(n_hidden, n_output)

    def forward(self,x): # 搭建神经网络
        x = F.relu(self.hidden(x))
        x = self.predict(x)
        return x
net = Net(1,10,1)
print(net)

plt.ion()  # 打开交互模式 ，画动态图
plt.show()
#优化网络
optimizer = torch.optim.SGD(net.parameters(),lr = 0.5)
loss_func = torch.nn.MSELoss() #损失函数，均方差

for t in range(100):
    prediction = net(x)

    # 算误差
    loss = loss_func(prediction,y)

    #优化
    optimizer.zero_grad()  #先将梯度将为0
    loss.backward() # 方向传播
    optimizer.step()

    if(t%5 == 0):
        # plot and show learning process
        plt.cla()  # Clear axis即清除当前图形中的当前活动轴。其他轴不受影响。
        plt.scatter(x.data.numpy(), y.data.numpy())  #原始的数据
        plt.plot(x.data.numpy(), prediction.data.numpy(),'r-',lw=5) #学习情况
        plt.text(0.5,0,'Loss =%.4f' % loss.item(), fontdict={'size':20,'color':'red'})#打印误差
        plt.pause(0.1)

plt.ioff()  # 显示前关掉交互模式
plt.show()

结果是一张动态图，最后结果是：

对于这个函数：plt.text(0.5,0,'Loss =%.4f' % loss.item(), fontdict= {'size':20,'color':'red'})

• 在坐标（0.5,0）位置添文字说明来生成相应的数字标签
• ‘%.0f’ %b,代表标注的文字，即每个柱子对应的y值，其中0表示不显示小数后面的数值，1就表示显示小数后面一位，以此类推
• fontsize则是文字大小