用pytorch1.0搭建简单的神经网络:进行回归分析
搭建简单的神经网络:进行回归分析
import torch import torch.nn.functional as F # 包含激励函数 import matplotlib.pyplot as plt # 建立数据集 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) # [1,2,3,4,5,6,7,8,9]---一维数据 [[1,2,3,4,5,6,7,8,9]]---二维数据 # torch只会处理二维及以上数据 # torch can only train on Variable, so convert them to Variable # The code below is deprecated in Pytorch 0.4. Now, autograd directly supports tensors # x, y = Variable(x), Variable(y) # 散点图 # plt.scatter(x.data.numpy(), y.data.numpy()) # plt.show() # 建立神经网络 # 先定义所有的层属性(__init__()), 然后再一层层搭建(forward(x))层于层的关系链接 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) # hidden layer # 隐藏层线性输出 self.predict = torch.nn.Linear(n_hidden, n_output) # output layer # 输出层线性输出 ==== 定义层数 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)) # activation function for hidden layer # 激励函数(隐藏层的线性值) x = self.predict(x) # linear output # 输出值 return x # ==== 定义每层关系 net = Net(n_feature=1, n_hidden=10, n_output=1) # define the network # print(net) # net architecture == 显示神经网络结构 # Net( # (hidden): Linear(in_features=1, out_features=10, bias=True) # (predict): Linear(in_features=10, out_features=1, bias=True) # ) # 搭建完神经网络后,对 神经网路参数(net.parameters()) 进行优化 # (1.选择优化器 optimizer 是训练的工具 optimizer = torch.optim.SGD(net.parameters(), lr=0.15) # 传入 net 的所有参数, 学习率 # (2.选择优化的目标函数 loss_func = torch.nn.MSELoss() # this is for regression mean squared loss # 预测值和真实值的误差计算公式 (均方差) plt.ion() # something about plotting # (3.开始训练网络 for t in range(200): prediction = net(x) # input x and predict based on x # 喂给 net 训练数据 x, 输出预测值 loss = loss_func(prediction, y) # must be (1. nn output, 2. target) # 计算两者的误差 optimizer.zero_grad() # clear gradients for next train # 清空上一步的残余更新参数值 loss.backward() # backpropagation, compute gradients # 误差反向传播, 计算参数更新值 optimizer.step() # apply gradients # 将参数更新值施加到 net 的 parameters 上 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) plt.ioff() plt.show()
个人学习记录