import torch
import torch.optim
import matplotlib.pyplot as plt
import torch.nn.functional as f
from torch.autograd import Variable
# unsequeeze(param) 增加param的维度,在torch中处理2维的张量
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
# 目标函数表达式
y = x.pow(2)+0.2*torch.rand(x.size())
# torch中计算张量时需将数据放置Variable中
x, y = Variable(x), Variable(y)
# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()
# 建立一个(feature=1,hidden=10,output=1)的网络,并且在hidden使用激励函数
net2 = torch.nn.Sequential(
torch.nn.Linear(1, 10),
torch.nn.ReLU(),
torch.nn.Linear(10, 1)
)
# 选择优化器SGD:随机梯度下降。优化的参数时网络中的参数,lr学习效率是0.2
optimizer = torch.optim.SGD(net2.parameters(), lr=0.2)
# 选择计算损失函数,在回归问题中一般使用MSELoss()
loss_func = torch.nn.MSELoss()
# 训练100步
for i in range(100):
predict = net2(x)
# 计算损失值
loss = loss_func(predict, y)
# 清除之前优化器中的权重
optimizer.zero_grad()
# 损失值反向传播给网络
loss.backward()
# 按步优化
optimizer.step()
# 每五步画图一次
if i % 5 == 0:
# plot and show learning process
plt.cla()
plt.scatter(x.data.numpy(), y.data.numpy())
plt.plot(x.data.numpy(), predict.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()
pytorch回归网络
最新推荐文章于 2024-07-10 10:35:36 发布