pytorch 神经网络简单回归操作

下面展示一些神经网络回归的 代码。

#// regression
import torch
import matplotlib.pyplot as plt

x=torch.unsqueeze(torch.linspace(-1,1,200),dim= 1) # x data (tensor) ,shape=(100,1)
y = x.pow(2) +0.2*torch.rand(x.size()) #y=x的平方
#定义网络结构
class Net(torch.nn.Module):
    def __init__(self,n_features,n_hidden,n_output):
        super(Net,self ).__init__()
        self.hidden= torch.nn.Linear(n_features,n_hidden)
        self.predict=torch.nn.Linear(n_hidden,n_output )
    def forward(self,x):
            x=torch.relu(self.hidden(x) )
            x=self.predict(x)
            return x

net=Net(1,10,1)   #网络结构 输入为1，隐藏层为10，输出为1
# print(net)   #输出网络结构
plt.ion()  # 打开交互模式

optimizer=torch.optim.SGD(net.parameters() ,lr=0.5 )   使用优化函数SGD，学习率为0.5（学习率要＜1）
loss_function=torch.nn.MSELoss()  # 损失函数用的是均方损失函数

for t in range(100):
    prediction =net(x)# 喂给 net 训练数据 x, 输出预测值
    loss =loss_function (prediction,y )# 计算两者的误差，一定要是输出在前，标签在后 (1. nn output, 2. target)

    optimizer.zero_grad()# 清空上一步的残余更新参数值
    loss.backward()# 误差反向传播, 计算参数更新值
    optimizer.step() # 将参数更新值施加到 net 的 parameters 上
    %画图显示学习过程
    if t % 5 ==0:
        plt.cla ()
        plt.scatter (x.data.numpy(),y.data.numpy())
        plt.plot (x.data.numpy(), prediction.data.numpy(),'r-',lw=2)%画线，lw表示线的粗细
        plt.text(0.5 ,0 ,'Loss=%.4f' %loss.data ,fontdict= {'size':20,'color':'red'})
        plt.pause(0.1)  %暂停功能
plt.ioff()%关闭交互模式
plt .show();

结果

预测值得曲线动态变化直到loss最低或步数截止