1.需求说明
我们首先随机生成N个数,再通过一个线性函数生成目标数据target,然后将这N个数据通过我们自定义的神经网络得到输出output,通过不断迭代更新w和b,最小化target和output的差值,以此来实现:输入最初产生的随机数据N,通过网络,得到近似线性函数生成的目标数据target。
2.编程实现
1)导入模块
import torch
from torch.autograd import Variable
import torch.nn as nn
import torch.nn.functional as f
import torch.optim as optim
import matplotlib.pyplot as plt
2)自定义网络
有时你会想要使用比现有模块组合更复杂的特殊模型;对于这些情况, 你可以 通过继承 nn.Module
来定义你自己的模块, 并定义一个 forward
来实现模块接收输入 Variable 并使用其他模块输出的 Variable 和 其他 autograd 操作.
在这里中, 我使用了两层网络来作为一个自定义的模块子类:
NUM = 100 #输入个数(输入层神经元个数)
hider_num = 300 #隐藏层神经元个数
class Net(nn.Module):
def __init__(self):
super(Net,self).__init__()
self.fc1 = nn.Linear(NUM,hider_num)
self.fc2 = nn.Linear(hider_num,NUM)
def forward(self,x):
x = f.relu(self.fc1(x))
x = self.fc2(x)
return x
3)随机生成数据
x = torch.randn(NUM)
input = Variable(x) #随机生成NUM个数据
target = Variable(0.5 * x + 0.3) #用0.5 × x + 0.3 函生成目标数据
4)网络更新
net = Net() #网络对象
print(net)
optimizer = optim.SGD(net.parameters(),lr=0.01) #随机梯度下降优化器
loss_list =[] #保存loss,便于画图
step = 500