在pytorch自定义net实现回归算法

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
y = x.pow(2) + 0.2 * torch.rand(x.size())
x, y = Variable(x), Variable(y)

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)
self.predict = torch.nn.Linear(n_hidden, n_output)

def forward(self, x):
    x = F.relu(self.hidden(x))
    x = self.predict(x)
    return x

‘’’
通常神经层都包括输入层、隐藏层和输出层。这里的输入层只有一个属性， 所以我们就只有一个输入；
隐藏层我们可以自己假设，这里我们假设隐藏层有10个神经元； 输出层和输入层的结构是一样的，所以我们的输出层也是只有一层。
所以，我们构建的是——输入层1个、隐藏层10个、输出层1个的神经网络。
‘’’
net = Net(1, 10, 1) # 隐藏神经元10个
print(net)

plt.ion() # plt.ion()用于连续显示
plt.show()

优化神经网络

optimizer = torch.optim.SGD(net.parameters(), lr=0.5) # lr学习效率，一般小于1
loss_func = torch.nn.MSELoss()

for t in range(100): # 让机器学习100次
prediction = net(x)

loss = loss_func(prediction, y)  # 计算预测值和真实值的误差，注意参数顺序，预测值在前，真实值在后

optimizer.zero_grad()  # 梯度设为0
loss.backward()
optimizer.step()  # 优化梯度
# 可视化
if t % 5 == 0:  # 每5步打印一次
    plt.cla()
    plt.scatter(x.data.numpy(), y.data.numpy())
    # 用红色、宽度为5的线来显示我们的预测数据和输入之间的关系，并暂停0.1s。
    plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
    plt.text(0.5, 0, 'Loss=%.4f' % loss.item(), fontdict={'size': 20, 'color': 'red'})
    plt.pause(0.1)

plt.ioff()
plt.show()

最终学习结果：