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)
# torch.squeeze(a,N)就是在a中指定位置N加上一个维数为1的维度
# 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() # # 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()) # 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()