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