莫烦PYTHON PyTorch教程P11搭建回归拟合模型代码
import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt
import torch.nn.functional as F
'''
教程P11:利用torch解决回归拟合问题
'''
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # unsqueeze函数将一维的数据变为二维的数据,torch不能处理一维张量
y = x.pow(2) + 0.2 * torch.rand(x.size()) # 增加噪音的数据y (tensor),shape=(100,1)
x, y = Variable(x), Variable(y)
# plt.scatter(x.data.numpy(),y.data.numpy())
# plt.show()
'''定义神经网络'''
class Net(torch.nn.Module): # Net需要基础Module模块
# _init_函数包含定义层信息
def __init__(self, n_feature, n_hidden, n_output): # n_features,n_hidden,n_output分别是输入特征数、隐藏层神经元数和输出特征数
super(Net, self).__init__() # 需要继承Net(官方步骤)
self.hidden = torch.nn.Linear(n_feature, n_hidden, ) # 一层隐藏层 Linear是全连接网络
self.predict = torch.nn.Linear(n_hidden, n_output) # 预测层
# forward前向传播函数
def forward(self, x):
x = F.relu(self.hidden(x))
x = self.predict(x)
return x
net = Net(1, 10, 1)
optimizer = torch.optim.SGD(net.parameters(), lr=0.5 ) # 优化器选择SGD,传入神经网络参数和学习率
loss_func = torch.nn.MSELoss() # 均方差损失,比较适用回归问题
plt.ion() # 设置实时打印画图结果
plt.show()
for t in range(100):
prediction = net(x)
loss = loss_func(prediction, y)
optimizer.zero_grad() # 所有参数的梯度先降为0
loss.backward() # 反向传播计算所有节点梯度
optimizer.step() # 优化
if t % 5 == 0:
# 画图展示学习过程
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,fontdict={'size':20,'color':'red'})
plt.pause(0.1)
plt.ioff()
plt.show()