跟着莫烦敲的代码
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())
#放进Variable里才能进行处理
x, y = Variable(x), Variable(y)
plt.scatter(x.data.numpy(), y.data.numpy())
plt.show()
#自定义网络,需要继承Model
class Net(torch.nn.Module):
def __init__(self, n_features, n_hidden, n_output):
#继承__init__函数
super(Net, self).__init__()
#定义每层的形式
#隐藏层线性输出feature->hidden
self.hidden = torch.nn.Linear(n_features, n_hidden)
#输出层线性输出hidden->output
self.predict = torch.nn.Linear(n_hidden, n_output)
#实现所有层的连接关系。正向传播输入值,神经网络分析输出值
def forward(self, x):
#x首先在隐藏层经过激励函数的计算
x = F.relu(self.hidden(x))
#到输出层给出预测值
x = self.predict(x)
return x
net = Net(1, 10, 1)
print(net)
plt.ion()
plt.show()
#训练网络,optimizer是训练工具
#选择优化算法,传入net的所有参数和learning rate
optimizer = torch.optim.SGD(net.parameters(), lr=0.2)
#计算loss,MSE计算预测值和真实值的均方差
loss_func = torch.nn.MSELoss()
for t in range(100):
#将训练数据x传递给网络,输出预测值,然后计算两者loss
prediction = net(x)
loss = loss_func(prediction, y)
optimizer.zero_grad() #清空上一步的残余更新参数值
loss.backward() #loss反向传播,计算出新的grad
optimizer.step() #将更新后的参数施加到net的parameters上
# 接着上面来
if t % 5 == 0:
# plot and show learning process
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.numpy(), fontdict={'size': 20, 'color': 'red'})
plt.pause(0.1)
plt.ioff()
plt.show()