[pytorch学习笔记二] 搭建神经网络实现数据的拟合

学自莫凡python

1.实验结果

搭建一个简单的神经网络，用一条曲线来拟合生成的数据点。下面是训练过程中，拟合出的曲线和数据点的分布图，训练的最终误差loss=0.0066。

2.实验过程

# 1.导入必要的模块

import torch
import torch.nn.functional as F   # F中包含很多函数比如激励函数
import matplotlib.pyplot as plt #用于绘图

# 2.生成要拟合的数据点

# linspace(-1,1,100)，从-1～1之间取100个数
# 因为torch只能处理二维数据，使用unsqueeze函数将一维数据转换为二维数据
x = torch.unsqueeze(torch.linspace(-1,1,100),dim=1)

# 将y设置为x的平方，并加入噪点的影响使数据点围绕y=x^2周围
y = x.pow(2) + 0.2 * torch.rand(x.size())

# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()

# 3.搭建神经网络

class Net(torch.nn.Module):
    # 设置神经网络属性，定义各层的信息
    # n_feature代表输入数据的个数,n_hidden是隐藏层神经元的个数,n_output输出的个数
    
    def __init__(self, n_feature, n_hidden,n_output):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(n_feature, n_hidden)
        self.predict = torch.nn.Linear(n_hidden, n_output)

    # 前向传递过程
    def forward(self, x):
        x = F.relu(self.hidden(x))
        x = self.predict(x)
        return x

# 4.定义网络

net = Net(1,8,1)  # 定义一个含有8个神经元的隐藏层，一次只输入1个数据，输出1个数据的网络
print(net)

# 设置一个实时打印的过程，显示在屏幕
plt.ion()
plt.show()

# 5.设置优化器

# 选择SGD优化器对神经网络的全部参数进行优化，学习率设置为0.5
optimizer = torch.optim.SGD(net.parameters(),lr=0.5)
# 选择均方差为计算误差
loss_func = torch.nn.MSELoss()

# 6.训练

for t in range(100):
    prediction = net(x)   #产生预测值
    loss = loss_func(prediction, y)  # 计算预测值与真实值之间的误差
    optimizer.zero_grad()  # 将网络中所有参数的梯度降为0
    loss.backward()  # 误差反向传播，并对每个节点计算梯度
    optimizer.step()  # 以学习率位0.5对梯度进行优化

    # 每学习5步打印一次
    if t % 5 == 0:
        plt.cla()
        plt.scatter(x.data.numpy(),y.data.numpy())  # 打印原始数据散点图
        plt.plot(x.data.numpy(),prediction.data.numpy(),'r-',lw=5) # 打印目前拟合的曲线
        plt.text(0.5, 0, 'Loss=%.4f' % loss.data,
                 fontdict={'size':20,'color':'red'})   # 打印当前的loss值
        plt.pause(0.1)

# 实时打印结束
plt.ioff()
plt.show()