1. 导入包
import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt
import torch.nn.functional as F
2. 建立数据集
torch.unsqueeze():扩充数据维度,在0起的指定位置N加上维数为1的维度
torch.squeeze(): 维度压缩,在0起的指定位置N,去掉维数为1的的维度
torch.linspace() 返回一个一维的tensor(张量),这个张量包含了从start到end,分成steps个线段得到的向量。
常用的几个变量: start:开始值 end:结束值 steps:分割的点数,默认是100 dtype:返回值(张量)的数据类型
x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1) # x data (tensor),shape=(100,1)
y=x.pow(2)+0.2*torch.rand(x.size()) # noisy y data (tensor), shape=(100,1)
#神经网络只能输入Variable
x,y=Variable(x),Variable(y)
plt.scatter(x.data.numpy(),y.data.numpy())
plt.show()
运行结果:
3.搭建神经网络
class Net(torch.nn.Module):
def __init__(self,n_feature,n_hidden,n_output):
super(Net.self).__init__() #继承__init__()功能
#定义每一层
self.hidden=torch.nn.Linear(n_feature,n_hidden)
self.predict=torch.nn.Linear(n_hidden,n_output)
def forward(self,x):
x=F.relu(self.hidden(x))
x=self.predict(x)
return x
#输入层1个神经元、隐含层10个神经元、输出层1个
net=Net(1,10,1)
print(net) #打印层结构
4.训练的过程
#optimizer是训练的工具
optimizer=torch.optim.Adam(net.parameters(),lr=0.2) #传入net的所有参数和学习率
#定义损失函数,MSGLoss计算拟合问题中的均方差足够
loss_func=torch.nn.MSELoss()
#100 steps
for t in range(100):
prediction=net(x)
loss=loss_func(prediction,y) #计算误差,一定要prediction在前
#固定的三步
optimizer.zero_grad() #清空上一步的参与更新值
loss.backward() #反向传递
optimizer.step() #将参数更新值施加到net的parameters上
5.可视化的过程
#100 steps
for t in range(100):
prediction=net(x)
loss=loss_func(prediction,y) #计算误差,一定要prediction在前
#固定的三步
optimizer.zero_grad() #清空上一步的参与更新值
loss.backward() #反向传递
optimizer.step() #将参数更新值施加到net的parameters上
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)
#可视化所有过程
plt.ion() #画图
plt.show()
所有代码:
import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt
import torch.nn.functional as F
x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1) # x data (tensor),shape=(100,1)
y=x.pow(2)+0.2*torch.rand(x.size()) # noisy y data (tensor), shape=(100,1)
#神经网络只能输入Variable
x,y=Variable(x),Variable(y)
# plt.scatter(x.data.numpy(),y.data.numpy())
# plt.show()
class Net(torch.nn.Module):
def __init__(self,n_feature,n_hidden,n_output):
super(Net,self).__init__() #继承__init__()功能
#定义每一层
self.hidden=torch.nn.Linear(n_feature,n_hidden)
self.predict=torch.nn.Linear(n_hidden,n_output)
def forward(self,x):
x=F.relu(self.hidden(x))
x=self.predict(x)
return x
#输入层1个神经元、隐含层10个神经元、输出层1个
net=Net(1,10,1)
print(net) #打印层结构
#optimizer是训练的工具
optimizer=torch.optim.Adam(net.parameters(),lr=0.2) #传入net的所有参数和学习率
#定义损失函数,MSGLoss计算拟合问题中的均方差足够
loss_func=torch.nn.MSELoss()
#100 steps
for t in range(100):
prediction=net(x)
loss=loss_func(prediction,y) #计算误差,一定要prediction在前
#固定的三步
optimizer.zero_grad() #清空上一步的参与更新值
loss.backward() #反向传递
optimizer.step() #将参数更新值施加到net的parameters上
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)
#可视化所有过程
plt.ion() #画图
plt.show()