莫烦PyTorch学习笔记(四)——回归

下面的代码说明个整个神经网络模拟回归的过程，代码含有详细注释，直接贴下来了

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt
#绘制散点图
x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)#x轴共一百个点
y=x.pow(2)+0.2*torch.rand(x.size())#x^2加上随机浮动
x,y = Variable(x) , Variable(y)
plt.scatter(x.data.numpy(),y.data.numpy())#把散点图画出来
#plt.show()
#神经网络模块
class Net(torch.nn.Module):#继承神经网络模块
    def __init__(self,n_features,n_hidden,n_output):#初始化神经网络的超参数
        super(Net,self).__init__()#调用父类神经网络模块的初始化方法，上面三行固定步骤，不用深究
        self.hidden = torch.nn.Linear(n_features,n_hidden)#指定隐藏层有多少输入，多少输出
        self.predict = torch.nn.Linear(n_hidden, n_output)#指定预测层有多少输入，多少输出
    def forward(self,x):#搭建神经网络
        x = F.relu(self.hidden(x))#积极函数激活加工经过隐藏层的x
        x = self.predict(x)#隐藏层的数据经过预测层得到预测结果
        return x
net = Net(1,10,1)#声明一个类对象
print(net)

plt.ion()#在Plt.ion和plt.ioff之间的代码,交互绘图
plt.show()

#神经网络优化器，主要是为了优化我们的神经网络，使他在我们的训练过程中快起来，节省社交网络训练的时间。
optimizer = torch.optim.SGD(net.parameters(),lr = 0.5)#其实就是神经网络的反向传播，第一个参数是更新权重等参数，第二个对应的是学习率
loss_func = torch.nn.MSELoss()#代价损失函数

for t in range(100):
    prediction = net(x)
    loss = loss_func(prediction,y)#计算损失
    optimizer.zero_grad()#梯度置零
    loss.backward()#反向传播
    optimizer.step()#计算结点梯度并优化，
    if t % 5 == 0:
        plt.cla()# Clear axis即清除当前图形中的之前的轨迹
        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.item())
        plt.pause(0.1)
plt.ioff()
plt.show()