PyTorch学习笔记2——搭建回归模型

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()