记录下搭建的第一个神经网络,终于感觉到摸到了门槛。
随机构建了一个y = x^2 的函数和一些扰乱点,预测y的值。
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)
# plt.scatter(x.data.numpy(),y.data.numpy())
# plt.show()
# 搭建网络
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 = F.relu(self.hidden(x))
x = self.predict(x)
return x
# 创建一个网络
net = Net(1,10,1)
# print(net)
plt.ion()
plt.show()
# 定义一个训练函数
optimizer = torch.optim.SGD(net.parameters(),lr=0.5)
# 定义一个损失函数
loss_func = torch.nn.MSELoss()#均方差
# 进行训练
for t in range(100):
prediction = net(x) #获取网络的预测值
loss = loss_func(prediction,y)#获取预测值和真实值的差距,也就是损失
optimizer.zero_grad()#清空上一次的梯度
loss.backward()#反向传递计算每个参数的梯度
optimizer.step()#更新参数
if t % 1 == 0:
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[0],fontdict={'size':20,'color':'red'})
plt.pause(0.1)
plt.ioff()
plt.show()