成功搭建神经网络（一）

关系拟合（回归）

一、建立数据集

import torch
import torch.nn.functional as F          # 激励函数都在这
import matplotlib.pyplot as plt

#unsqueeze把一维数据转换为二维数据，因为torch只会处理二维数据
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)

plt.scatter(x.data.numpy(), y.data.numpy())           #scatter打印散点图
plt.show() 

运行截图：

 

 

二、建立神经网络

class Net(torch.nn.Module):             # 继承 torch 的 Module
    #n_feature输入特征，隐藏层，输出层
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()
        
        # 定义每层用什么样的形式
        self.hidden = torch.nn.Linear(n_feature, n_hidden)   # hidden layer线性输出
        self.predict = torch.nn.Linear(n_hidden, n_output)   # output layer线性输出

    # 正向传播输入值, 神经网络分析出输出值
    def forward(self, x):
        x = F.relu(self.hidden(x))      # activation function for hidden layer
        x = self.predict(x)             # 输出值
        return x

#打印神经网络的结构
net = Net(n_feature=1, n_hidden=10, n_output=1)     # define the network
print(net)  # 打印出搭建的神经网络的结构

运行截图：

 

 可见，搭建的神经网络输入的特征值有1个，隐藏层神经元有10个，输出值也是1个。

三、训练网络

#训练神经网络，optimizer为训练工具

optimizer = torch.optim.SGD(net.parameters(), lr=0.2)       #传入net的参数，SGD随机梯度下降
loss_func = torch.nn.MSELoss()  # 预测值与真实值的误差计算，回归问题用均方误差

# 可视化显示结果
plt.ion()   

四、对搭建的神经网络进行优化然后输出结果

for t in range(100):
    prediction = net(x)     # 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()   # clear gradients for next train
    loss.backward()         # backpropagation, compute gradients
    optimizer.step()        # apply gradients

    if t % 10 == 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.show()
        plt.pause(0.1)

plt.ioff()

运行截图：