pytorch一元二次函数 拟合 机器学习

1.创建数据

import torch
import matplotlib.pyplot as plt

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())

#画图
plt.scatter(x.data.numpy(),y.data.numpy())
plt.show()

2. 网络结构

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

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
        #定理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
        self.predict=torch.nn.Linear(n_hidden,n_output)    #输出层线性输出

    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))    #激励函数（隐藏层的线性值）
        x = self.predict(x)    #输出值
        return x

net=Net(n_feature=1,n_hidden=10,n_output=1)

print(net)    #net的结构
"""
Net(
  (hidden): Linear(in_features=1, out_features=10, bias=True)
  (predict): Linear(in_features=10, out_features=1, bias=True)
)
"""

3. 优化结构

import torch

#optimizer 是训练的工具
optimizer = torch.optim.SGD(net.parameters(),lr=0.2)    #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）

for t in range(100):
    prediction = net(x)    #喂给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() #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

4. 可视化训练过程

import matplotlib.pyplot as plt

plt.ion() #画图
plt.show()

for t in range(200):

    #接上一步
    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)

5. 过程整合

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

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())

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
        #定理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
        self.predict=torch.nn.Linear(n_hidden,n_output)    #输出层线性输出

    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))    #激励函数（隐藏层的线性值）
        x = self.predict(x)    #输出值
        return x

net=Net(n_feature=1,n_hidden=10,n_output=1)


#optimizer 是训练的工具
optimizer = torch.optim.SGD(net.parameters(),lr=0.2)    #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）

for t in range(500):
    prediction = net(x)    #喂给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() #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)#画的图只存在0.1秒