一个简单的回归问题案例的pytorch实现

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。