python跑神经网络_pytorch-神经网络拟合曲线实例

代码已经调通，跑出来的效果如下：

# coding=gbk

import torch

import matplotlib.pyplot as plt

from torch.autograd import Variable

import torch.nn.functional as F

'''

Pytorch是一个拥有强力GPU加速的张量和动态构建网络的库，其主要构建是张量，所以可以把PyTorch当做Numpy

来用,Pytorch的很多操作好比Numpy都是类似的，但是其能够在GPU上运行，所以有着比Numpy快很多倍的速度。

训练完了，发现隐层越大，拟合的速度越是快，拟合的效果越是好

'''

def train():

print('------ 构建数据集 ------')

# torch.linspace是为了生成连续间断的数据，第一个参数表示起点，第二个参数表示终点，第三个参数表示将这个区间分成平均几份，即生成几个数据

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)

#torch.rand返回的是[0,1]之间的均匀分布 这里是使用一个计算式子来构造出一个关联结果，当然后期要学的也就是这个式子

y = x.pow(2) + 0.2 * torch.rand(x.size())

# Variable是将tensor封装了下，用于自动求导使用

x, y = Variable(x), Variable(y)

#绘图展示

plt.scatter(x.data.numpy(), y.data.numpy())

#plt.show()

print('------ 搭建网络 ------')

#使用固定的方式继承并重写 init和forword两个类

class Net(torch.nn.Module):

def __init__(self,n_feature,n_hidden,n_output):

#初始网络的内部结构

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):

#一次正向行走过程

x=F.relu(self.hidden(x))

x=self.predict(x)

return x

net=Net(n_feature=1,n_hidden=1000,n_output=1)

print('网络结构为：',net)

print('------ 启动训练 ------')

loss_func=F.mse_loss

optimizer=torch.optim.SGD(net.parameters(),lr=0.001)

#使用数据 进行正向训练，并对Variable变量进行反向梯度传播 启动100次训练

for t in range(10000):

#使用全量数据 进行正向行走

prediction=net(x)

loss=loss_func(prediction,y)

optimizer.zero_grad() #清除上一梯度

loss.backward() #反向传播计算梯度

optimizer.step() #应用梯度

#间隔一段，对训练过程进行可视化展示

if t%5==0:

plt.cla()

plt.scatter(x.data.numpy(),y.data.numpy()) #绘制真是曲线

plt.plot(x.data.numpy(),prediction.data.numpy(),'r-',lw=5)

plt.text(0.5,0,'Loss='+str(loss.data[0]),fontdict={'size':20,'color':'red'})

plt.pause(0.1)

plt.ioff()

plt.show()

print('------ 预测和可视化 ------')

if __name__=='__main__':

train()

以上这篇pytorch-神经网络拟合曲线实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。

本文标题: pytorch-神经网络拟合曲线实例

本文地址: http://www.cppcns.com/jiaoben/python/298451.html