pytorch动态神经网络（拟合）

（1）首先要建立数据集

import torch   #引用torch模块

import matplotlib.pyplot as plt #引用画图模块

x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)#产生（-1,1）的100个点横坐标,dim表示维度，表示在这里增加第二维

y=x.pow(2)+0.2*torch.rand(x,size())

#0.2*torch.rand(x,size())是为了产生噪点使数据更加真实

（2）建立神经网络

import torch

imoort torch.nn.functional as F  #激励函数在这个模块里

class Net (torch.nn.Module): #Net要继承torch中Module 

(1)首先有定义（建立）神经网络层

def __init__(self,n_feature,n_hidden,n_output):

#__init__表示初始化数据

    super(Net,self).__init__()#Net的对象self转换为类nn.module的对象，然后在用nn.Module的方法使用__init__初始化。

self.hidden=torch.nn.Linear(n_feature,n_hidden)

#建立隐藏层线性输出

self.predict=torch.nn.Linear(n_hidden,n_output)

#建立输出层线性输出

（2）建立层与层之间的关系

def forward (self,x):

# 这同时也是 Module 中的 forward 功能

x=F.relu(self,hidden(x))

#使用激励函数把数据激活

return x #输出数据

net=Net(n_feature=1,n_hidden=10,n_output=1)

#一个隐藏层有10节点，输出层有1节点，输出数数据为一个

（3）训练网络

optimizer=torch.optim.SGD(net.parameter().lr=0.2)#传入 net 的所有参数, lr代表学习率,optimizer是训练工具

loss_func=torch.nn.MSELoss()#预测值和真实值的误差计算公式 (均方差)

for t in range(100):

prediction = net(x) # 喂给 net 训练数据 x, 输出预测值

    loss = loss_func(prediction, y)    # 计算两者的误差

    optimizer.zero_grad()  # 清空上一步的残余更新参数值

    loss.backward()        # 误差反向传播, 计算参数更新值

    optimizer.step()        # 将参数更新值施加到 net 的 parameters 上

(四)可视化训练

import matplotlib.pyplot as plt

plt.ion()  # 画图

plt.show()

for t in range(200):

    ...

    loss.backward()

    optimizer.step() 

    # 接着上面来

    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)

会得到如下图像：

 

整体代码如下：

 

import torch

import matplotlib.pyplot as plt

x=torch.unsqueeze(torch.linspace(-2,2,100),dim=1)

y=x.pow(2)+0.2*torch.rand(x.size())

import torch

import torch.nn.functional as F

class Net(torch.nn.Module):

    def __init__(self,n_feature,n_hidden,n_output):

        super(Net,self).__init__()

        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

net=Net(n_feature=1,n_hidden=10,n_output=1)

optimizer=torch.optim.SGD(net.parameters(),lr=0.3)

loss_func=torch.nn.MSELoss()

plt.ion() 

plt.show()

for t in range(100):

    prediction=net(x)

    loss=loss_func(prediction,y)

    optimizer.zero_grad() 

    loss.backward()       

    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)

        plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color':  'red'})

        plt.pause(0.1)

 

 

 

【参考文献】https://mofanpy.com/tutorials/machine-learning/torch/regression/