【PyTorch关系拟合】回归代码实现

 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()