Pytorch学习笔记【5】：简单神经网络实现回归模型

还是 那句老话！！！注意看代码注释和运行结果，解析全部写在代码注释中了。

 

一. 代码

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

# 先自己构造数据
x = torch.unsqueeze(torch.linspace(-1,1,100),dim=1) # unsqueeze是将数据变成二维，因为torch好像不能处理一维的数据
print(x)
y = x.pow(2) + 0.2*torch.rand(x.size()) # 构建方程式
print(y)

# 实际上现在的pytorch版本tensor也已经支持反向传播，所以用不用Variable没差别
x,y = Variable(x),Variable(y)
plt.scatter(x.data.numpy(),y.data.numpy())
#plt.show()


# 建立你自己的神经网络模型
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)  # 隐藏层
        self.predict = torch.nn.Linear(n_hidden,n_output)  # 输出层

    def forward(self, x):
        x = F.relu(self.hidden(x))
        x = self.predict(x)  # 这里不经过激活函数是因为，我们通常不