Libtorch之神经网络线性拟合（C++/Qt）

 简介

        对于深度学习，一般使用PYTHON接口的Pytorch或其他库，但由于本人一直使用C++语言，所以打算通过C++接口的Libtorch来搭建神经网络。下面是通过对比网上的一个Pytorch简单的线性网络例子实现的一个拟合代码。

1.神经网络的创建：

class myNet :public torch::nn::Module {
public:
    myNet(int64_t n_feature, int64_t n_hidden, int64_t n_output) {
        hidden = register_module("hidden", torch::nn::Linear(torch::nn::LinearOptions(n_feature, n_hidden)));
        predict = register_module("predict", torch::nn::Linear(torch::nn::LinearOptions(n_hidden, n_output)));
    }
    //向前传播，即平差中的误差方程的构建
    torch::Tensor forward(torch::Tensor x)
    {
        x = torch::relu(hidden->forward(x));
        x = predict->forward(x);
        return x;

    }
    torch::nn::Linear hidden{ nullptr };
    torch::nn::Linear predict{ nullptr };

};

2.训练数据的创建

 X与Y符合的关系为下式，其中b具有偶然误差，以此生成训练数据。

//训练的数据创建
    torch::Tensor x = torch::unsqueeze(torch::linspace(-1, 1, 100), 1);
    auto y = x.pow(2) + 0.2 * torch::rand(x.sizes());

3.训练，模型的生成

 QVector<double> xNum, yNum;   //loss的容器
 // 生成模型
    auto net = std::make_shared<myNet>(1, 1000, 1);
    torch::optim::SGD optimizer(net->parameters(), 0.01);
    for (int i = 0; i < 1000; i++)
    {
        auto prediction = net->forward(x);
        auto loss = torch::mse_loss(prediction, y);
        optimizer.zero_grad();
        loss.backward();
        optimizer.step();

        if (i % 10 == 0)
        {
           // std::cout << "" << loss.item<float>();
            xNum.append(i);
            yNum.append(loss.item<float>());
        }
    }
    //保存模型
   // torch::save(net, "./myNet.pt");
    torch::serialize::OutputArchive archive;
    net->save(archive);
    archive.save_to("./myNet2.pt");

4.通过QCustomplot画出loss变化(此步只是看误差变化趋势，如果不想用这步可以跳过)

double mine = *(std::min_element(std::begin(yNum), std::end(yNum)));
    double maxi = *(std::max_element(std::begin(yNum), std::end(yNum)));

    ui.customPlot->addGraph();                       // 添加一个曲线图QGraph
   //ui.customPlot->graph(0)->setData(xp,yp);          // 为曲线图添加数据
    ui.customPlot->graph(0)->setData(xNum, yNum);
    ui.customPlot->graph(0)->setName("legend");   // 设置曲线图的名字
    ui.customPlot->xAxis->setLabel("x");             // 设置x轴的标签
    ui.customPlot->yAxis->setLabel("y");
    ui.customPlot->xAxis->setRange(xNum[0], xNum.back());           // 设置x轴的范围为(-1,1)
    ui.customPlot->yAxis->setRange(mine-(maxi-mine)/100, maxi);
    ui.customPlot->legend->setVisible(true);         // 显示图例

 5.模型的使用

由于我们只是测试模型的使用，所以就没重新生成数据，我直接使用上面的训练数据x代入模型中。

// 使用模型预测
    auto netP = std::make_shared<myNet>(1, 1000, 1);
    torch::serialize::InputArchive archive2;
    archive2.load_from("./myNet2.pt");
    netP->load(archive2);
    auto yPrediction = netP->forward(x);

到此已经预测出了预测值。

6. 画出预测值（可跳过）

  可以看出预测值大致符合上面二元一次方程公式。

总结：看似代码好像比Pytorch的多，其实主要代码也就是1、3、5步的代码，可能写的啰嗦显的代码多。对于其中所涉及的画图工具，我使用的是Qt的QCustomplot,对于的它的配置网上有很多教程，也简单，所以我就没过多提及。我是在VS2019上写的代码，我把整个项目文件也共享出来了，可通过下面下载链接下载。

《神经网络线性拟合代码》