利用pytorch做一个简单的回归网络

最近整理了一下pytorch的笔记，把很简单的pytorch搭建一个回归网络的code贴上来

import torch
import torch.nn.functional as F

x = torch.unsqueeze(torch.linspace(-2, 2, 100), dim=1)#在（-1,1）这个区间内随机生成100个X，并且利用unsqueeze增加维度来满足torch的需求
y = x.pow(3) + 0.9![在这里插入图片描述](https://img-blog.csdnimg.cn/20190108115051598.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNzMyMzg3,size_16,color_FFFFFF,t_70)*torch.rand(x.size())  # 生成y

#想把tensor转换成numpy用.data.numpy()

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)   # hidden layer
        self.predict = torch.nn.Linear(n_hidden, n_output)   # 全连接层

    def forward(self, x):
        x = F.relu(self.hidden(x))      # hidden layer 经过激励函数
        x = self.predict(x)             
        return x

net = Net(n_feature=1, n_hidden=10, n_output=1)     # 定义神经网络，一个输入，10个神经元（一层），一个输出
optimizer = torch.optim.SGD(net.parameters(), lr=0.1) #优化器，本次采用的是SGD优化
loss_func = torch.nn.MSELoss()  #mean squared loss 均值方差，针对回归问题

for t in range(500):
    prediction = net(x)   

    loss = loss_func(prediction, y)     # 计算损失函数

    optimizer.zero_grad()   # 清除本次的梯度
    loss.backward()         # 反向传播计算梯度
    optimizer.step()        # 每一步用优化器优化一次
plt.cla()
plt.scatter(x.data.numpy(), y.data.numpy())
plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color':  'red'})
plt.pause(0.1)

plt.ioff()
plt.show()

运行结果