莫烦_Pytorch教程_关系拟合（回归）

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()