import torch
# import torch.nn.functional as F
import matplotlib.pyplot as plt
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # x data (tensor), shape=(100, 1)
# print(x.size()) # x.shape
y = x.pow(2) + 0.2*torch.rand(x.size())
# plt.scatter(x, y) # 散点图
# plt.show()
class Net(torch.nn.Module):
def __init__(self, n_feature, n_hidden, n_output):
super(Net, self).__init__() # 把nn.Module继承过来
self.hidden = torch.nn.Linear(n_feature, n_hidden)
self.predict = torch.nn.Linear(n_hidden, n_output)
def forward(self, x):
x = torch.relu(self.hidden(x))
x = self.predict(x)
return x
net = Net(1, 10, 1)
print(net)
plt.ion() # 实时绘图
plt.show()
optimizer = torch.optim.SGD(net.parameters(), lr=0.5) # 使用随机梯度下降进行优化,学习率为0.5
loss_func = torch.nn.MSELoss() #使用均方误差作为损失函数
for t in range(100):
prediction = net(x) # 正向传播
loss = loss_func(prediction, y) # 求损失
optimizer.zero_grad() # 优化器梯度清零
loss.backward() # 反向传播求梯度
optimizer.step() # 更新可训练参数,即为权重和偏置
if t % 5 == 0:
plt.cla() # Clear axis即清除当前图形中的当前活动轴。其他轴不受影响
plt.scatter(x, y) # 绘制散点图
plt.plot(x.data, prediction.data, 'r-', lw=5)
plt.text(0.5, 0, 'Loss=%.4f' % loss.data, fontdict={'size': 20, 'color': 'red'}) # 打印当前拟合曲线的误差
plt.pause(0.1)
plt.ioff()
plt.show()
此模型为单隐藏层的两层神经网络,输入和输出为一个(100,1)的矩阵,第一层为先使用全连接再利用relu函数进行激活,第二层(即输出层)经全连接后输出结果。
由于每迭代五次绘制一张图,故会依次输出20张图,每张图停留0.1s。