pytorch实战（2）-----回归例子

一、回归任务介绍：

拟合一个二元函数 y = x ^ 2.

二、步骤：

1. 导入包
2. 创建数据
3. 构建网络
4. 设置优化器和损失函数
5. 前向和后向传播训练网络
6. 画图

三、代码：

导入包：

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt

创建数据

#torch中的数据要是二维的，unsqueeze是将一维数据转化成二维数据
tmp = torch.linspace(-1,1,100)
x = torch.unsqueeze(tmp,dim=1)
y = x.pow(2) + 0.2*torch.rand(x.size())

print(tmp)  #torch.Size([100])
print(x)  #torch.Size([100, 1])
#转成向量
x,y = Variable(x),Variable(y)

 　　查看数据图像：

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

构建网络

#Net类继承了Module这个模块
class Net(torch.nn.Module):
    def __init__(self,n_feature,n_hidden,n_output):
        #在搭建模型之前需要继承的一些信息，super表示继承nn.Module的信息，此步骤必须有
        super(Net,self).__init__()
        self.hidden = torch.nn.Linear(n_feature,n_hidden)
        self.predict = torch.nn.Linear(n_hidden,n_output)
    #神经网络前向传递的一个过程，流程图
    def forward(self,x):
        x = F.relu(self.hidden(x))
        x = self.predict(x)
        return x
net = Net(1,10,1)
plt.ion()
plt.show()
#可以看到搭建的图流程
print(net)

 打印的结果：

Net(
  (hidden): Linear(in_features=1, out_features=10, bias=True)
  (predict): Linear(in_features=10, out_features=1, bias=True)
)

 设置优化器和损失函数

optimizer = torch.optim.SGD(net.parameters(),lr = 0.5)  #传入网络的参数来优化它们
loss_func = torch.nn.MSELoss()

前向和后向传播训练网络

for t in range(100):
    
    #forward
    prediction = net(x)
    loss = loss_func(prediction,y)  #预测值pre在前，实际值y在后，不然结果会不一样
    
    #backward()
    optimizer.zero_grad()   #梯度全部设为0
    loss.backward()  #loss计算参数的梯度
    optimizer.step()  #采用优化器以lr=0.5来优化梯度
    
###########################以下为可视化过程##################################
    if t % 5 == 0:
        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[0],fontdict={'size':20,'color':'red'})
        plt.pause(0.1)
plt.ioff()
plt.show()

训练结果：

第一次：

最后一次：