神经网络近似一个三角函数

编程浪

于 2024-06-28 08:15:40 发布

阅读量271

点赞数 5

文章标签： python 开发语言

本文链接：https://blog.csdn.net/xingmin_scnu/article/details/140032091

版权

目的：利用简单神经网络逼近一个函数
第一步：逼近的函数
x=np.linspace(-4,4,100000) 
y=3*np.sin(x)+2*np.cos(x)
第二步：神经网络
---------------------------------------------------------------------------
 Layer (type)       Input Shape          Output Shape         Param #    
===========================================================================
   Linear-1          [[100, 1]]           [100, 120]            240      
   Sigmoid-1        [[100, 120]]          [100, 120]             0       
   Linear-2         [[100, 120]]           [100, 1]             121      
===========================================================================
第三步：
设置优化函数，损失函数，训练

第四步：
结果

下面是放马过来：

import paddle
import numpy as np
import matplotlib.pyplot as plt

x=np.linspace(-4,4,100000)
y=3*np.sin(x)+2*np.cos(x)



class mynet(paddle.nn.Layer):
    def __init__(self):
        super().__init__()
        self.ln1=paddle.nn.Linear(1,120)
        self.sig=paddle.nn.Sigmoid()
        self.ln2=paddle.nn.Linear(120,1)
    def forward(self, x):
        x=self.ln1(x)
        x=self.sig(x)
        x=self.ln2(x)
        return x

class mydata(paddle.io.Dataset):
    def __init__(self,x):
        self.x=x;
        self.y=3*np.sin(x)+2*np.cos(x)
    def __getitem__(self, item):
        x=paddle.to_tensor(self.x[item],dtype='float32')
        y=paddle.to_tensor(self.y[item],dtype='float32')
        return x,y
    def __len__(self):
        return len(self.x)


dataloader=paddle.io.DataLoader(mydata(x),batch_size=100,shuffle=True)
loss_fn=paddle.nn.MSELoss()
net=mynet()
opt=paddle.optimizer.Adam(learning_rate=0.1,parameters=net.parameters())

for i in range(2):
    lossdata=[]
    for a,b in dataloader:
        opt.clear_grad()
        pred=net(a)
        ls=loss_fn(pred,b)
        ls.backward()
        opt.step()
        lossdata.append(ls.item())
    print(i,np.mean(lossdata))

print("finish")
net.eval()
lss=[]
_,ax=plt.subplots(1,2)
ax[0].plot(x, y, color='red')

for xx in x:
    d=paddle.to_tensor(xx, dtype = 'float32')
    d=paddle.unsqueeze(d,axis=0)
    pred=net(d)
    lss.append(pred.item())

ax[1].plot(x, lss, color='blue')
plt.show()