PyTorch-Linear关系拟合

PyTorch-Linear关系拟合

硬件：NVIDIA-GTX1080

软件：Windows7、python3.6.5、pytorch-gpu-0.4.1

一、基础知识

1、问题：y = a * x^2 + b

2、继承 torch 的 Module

二、代码展示

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

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x data (tensor), shape=(100, 1), unsqueeze(dim = 1): shape(100)->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()

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 Module 的 __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, type(hidden) = torch.nn.modules.linear.Linear(一个类)
        self.predict = torch.nn.Linear(n_hidden, n_output)   # 输出层线性输出, type(predict) = torch.nn.modules.linear.Linear(一个类)

    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 = Func.relu(self.hidden(x))      # 激励函数(隐藏层的线性值) self.hidden.forward(x)
        x = self.predict(x)             # 输出值 self.predict.forward(x)
        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.SGD(net.parameters(), lr=0.5)  # 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), type(torch.nn.MSELoss()) = torch.nn.modules.loss.MSELoss(一个类)

plt.ion()   # 画图
plt.show()

for t in range(100):
    prediction = net(x)     # 喂给 net 训练数据 x, 输出预测值 net.forward(x)
    loss = loss_func(prediction, y)     # 计算两者的误差 loss_func.forward(prediction, y)
    
    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
    
    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)

三、结果展示

四、参考：

https://morvanzhou.github.io/

 

任何问题请加唯一QQ2258205918（名称samylee）！

或唯一VX：samylee_csdn