最近由于学习的需要,对深度学习著名的工具Pytorch进行学习,首先是对于Pytorch基本工具的熟悉。直接上代码关于采用深度学习方法构建回归模型。
# -*- coding:utf-8 -*- # author:zhangwei import torch import matplotlib.pyplot as plt x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # x data (tensor), shape=(100, 1) y = x.pow(2) + 0.2*torch.rand(x.size()) # noisy y data (tensor), shape=(100, 1) # 画图 # plt.scatter(x.data.numpy(), y.data.numpy()) # plt.show() import torch import torch.nn.functional as F # 激励函数都在这 class Net(torch.nn.Module): # 继承 torch 的 Module def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() # 继承 __init__ 功能 # 定义每层用什么样的形式 self.hidden = torch.nn.Linear(n_feature, n_hidden) # 隐藏层线性输出 self.predict = torch.nn.Linear(n_hidden, n_output) # 输出层线性输出 def forward(self, x): # 这同时也是 Module 中的 forward 功能 # 正向传播输入值, 神经网络分析出输出值 x = F.relu(self.hidden(x)) # 激励函数(隐藏层的线性值) x = self.predict(x) # 输出值 return x net = Net(n_feature=1, n_hidden=10, n_output=1) print(net) # net 的结构 # optimizer 是训练的工具 optimizer = torch.optim.Adam(net.parameters(), lr=0.01) # 传入 net 的所有参数, 学习率 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 # print(loss) # # 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 import matplotlib.pyplot as plt plt.ion() # 画图 plt.show() for t in range(200): 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 # print(loss) 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 # 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(0.2)
最后实验结果如下图所示:
参考文献:https://morvanzhou.github.io/tutorials/machine-learning/torch/3-01-regression/