【Pytorch学习】Pytorch入门——基本神经网络搭建训练

一个基于Pytorch框架的基础神经网络例子展示

重要的Pytorch学习工具，Pytorch中文文档：https://pytorch-cn.readthedocs.io/zh/latest/

1、案例步骤：

• 自定义一个一元二次函数的数据集（100个散点）
• 在数据集上加入噪点
• 搭建神经网络：继承父类模板、定义隐藏层和输出层、前向传播函数
• 实例化神经网络
• 定义优化器和损失函数，准备训练
• 训练（500批次）：计算预测值、计算loss值、优化器梯度归零、反向传递

2、代码展示

import torch
import torch.nn.functional as F
#图形化显示的包
import matplotlib.pyplot as plt
import matplotlib; matplotlib.use("TkAgg")
import os; os.environ["KMP_DUPLICATE_LIB_OK"]= "TRUE"

#数据集搭建
x = torch.unsqueeze(torch.linspace(-1,1,100),dim=1)
y = x.pow(2) + 0.2 * torch.rand(x.size())

#可视化数据集
#plt.scatter(x.data.numpy(), y.data.numpy())
#plt.show()

#神经网络的搭建
class Net(torch.nn.Module): #先继承一个类
    def __init__(self, n_feature, n_hidden, n_output):
        super().__init__() #先继承父类，相当于一个模板
        #定义隐藏层
        self.hidden = torch.nn.Linear(n_feature,n_hidden)
        self.predict = torch.nn.Linear(n_hidden,n_output)
    #前向传播函数
    def forward(self,x):
        x = F.relu(self.hidden(x))
        x = self.predict(x)
        return x

#实例化网络
net = Net(1,10,1)
#print(net) #打印网络

#定义优化器
optimizer = torch.optim.SGD(net.parameters(),lr=0.2)
loss_func = torch.nn.MSELoss()
#print(net.parameters())

#训练（500批次）
for t in range(500):
    prediction = net.forward(x)
    loss = loss_func(prediction,y)
    optimizer.zero_grad()#优化器梯度归零
    loss.backward()#反向传递
    optimizer.step()
    if t&5 == 0:
        plt.cla()
        plt.scatter(x.data.numpy(), y.data.numpy())
        plt.plot(x.data.numpy(), prediction.data.numpy(),'r-' ,lw=5)#对线绘制的要求
        print('loss: ', float(loss.data))
        plt.pause(0.1)

plt.ioff()
plt.show()

3、拟合结果展示

4、案例中Pytorch知识点总结

（1）张量的概念：张量(tensor)是一种特殊的数据结构，与数组和矩阵非常相似。在pytorch中，我们使用张量对模型的输入和输出以及模型的参数进行编码。张量与NumPy的数组很相似，只是它可以在GPU或其他硬件加速器上运行。

（2）torch.linspace

（3）torch.unsqueeze

• 返回一个新的张量，对输入的制定位置插入维度 1
  *
  （4）torch.rand：随机数，给数据集增加噪点
  （5）torch.nn.Module （所有网络的基类，可以理解为网络的模板）
  
  （6）torch.nn.Linear ：线性变换
  
  （7）torch.optim.SGD ：定义优化器
  
  （8）torch.nn.MSELoss() ：定义损失函数（均方差误差函数）