import torch
import torch.nn.functional as F # 主要实现激活函数
import matplotlib.pyplot as plt # 绘图的工具
from torch.autograd import Variable
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # 合成数据
y = x.pow(2) + 0.2 * torch.rand(x.size())
x, y = Variable(x), Variable(y) # 变为Variable 因为网络只支持变量形式
# plt.scatter(x.data.numpy(), y.data.numpy()) # 绘制数据图像
# plt.show()
class Net(torch.nn.Module): # 建立网络
def __init__(self, n_feature, n_hidden, n_output):
super(Net, self).__init__() # 标准写法
self.hidden = torch.nn.Linear(n_feature, n_hidden) # 隐藏层 输入 输出个数
self.predict = torch.nn.Linear(n_hidden, n_output) # 输出层 输入 输出个数
def forward(self, x):
x = F.relu(self.hidden(x)) # 隐藏层的激活函数
x = self.predict(x) # 线性输出
return x
model = Net(n_feature=1, n_hidden=10, n_output=1) # 初始化网络
loss_func = torch.nn.MSELoss() # 定义损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=0.1) # 定义优化方法
plt.ion()
for t in range(1000): # 训练1000次
prediction = model(x) # input x and predict based on x
loss = loss_func(prediction, y) # X 在前(x1, x2,...)，标签在后(y1, y2,...)
optimizer.zero_grad() # 梯度设置为0
loss.backward() # 反向传播计算梯度
optimizer.step() # apply gradients
if t % 5 == 0:
plt.cla() # 图形显示
plt.scatter(x.data.numpy(), y.data.numpy()) # 先画数据分布
plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
plt.text(0.5, 0, 'Loss=%.4f' % loss.data[0], fontdict={'size': 20, 'color': 'red'})
plt.pause(0.1)
plt.ioff()
plt.show()
