pytorch 构件简单神经网络回归模型

import torch
# import numpy as np
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)
        # 参数：输入，神经元个数
        self.predict=torch.nn.Linear(n_hidden,1)
        # 输入神经元，输出
    def forward(self,x):
        x =F.relu(self.hidden(x))
        # 激活函数内部参数：使用hidden layer层加工的x
        x=self.predict(x)
        return x

net = Net(1,10,1)
print (net)

plt.ion()
# 实时打印功能
plt.show()

# 优化神经网络

optimizer=torch.optim.SGD(net.parameters(),lr=0.5)
# optim torch的子模块，传入net的参数 lr学习率
loss_func=torch.nn.MSELoss()

for t in range(100):
    # 100步
    prediction=net(x)
    loss =loss_func(prediction,y)
    # 计算二者误差

    optimizer.zero_grad()
    # 每一次迭代都把上一次的梯度计算结果清零，这样每次优化器里都是本次的梯度，用于更新最新的张量
    loss.backward()
    optimizer.step()
    if t % 5 == 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()