zoukankan      html  css  js  c++  java
  • 【pytorch】学习笔记(四)-搭建神经网络进行关系拟合

    【pytorch学习笔记】-搭建神经网络进行关系拟合

    学习自莫烦python

    目标

    1.创建一些围绕y=x^2+噪声这个函数的散点
    2.用神经网络模型来建立一个可以代表他们关系的线条

    建立数据集

    import torch
    from torch.autograd import Variable
    import  torch.nn.functional as F
    import matplotlib.pyplot as plt
    
    x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)#一维变二维,x从-1到1,切分为100份
    y=x.pow(2)+0.2*torch.rand(x.size())#创建一些围绕着这y=x^2的随机点的散点
    
    # plt.scatter(x.data.numpy(),y.data.numpy())#画图
    # plt.show()
    
    x,y=Variable(x),Variable(y)#构造神经网络要使用Variable类型
    

    建立神经网络

    1.继承torch.nn.Module模块
    2.定义__init__函数,在初始化函数中定义输入层到隐藏层,从隐藏层再到输出层各个层的神经元个数
    3.再一层层搭建(forward(x))层于层的关系链接

    class Net(torch.nn.Module):
        def __init__(self,n_feature,n_hidden,n_ouput):#初始化信息
            super(Net, self).__init__()
            self.hidden=torch.nn.Linear(n_feature,n_hidden,n_ouput)#隐藏层线性输出
            self.predict=torch.nn.Linear(n_hidden,n_ouput)#输出层线性输出
    
        def forward(self,x):#前向传递的过程
            #正向传播输入值,神经网络输出预测值
            x=F.relu(self.hidden(x))#激励函数加工一下
            x=self.predict(x)#输出值预测值
            return x
    

    训练神经网络

    1.定义训练工具optimizer,输入神经网络参数和学习效率
    2.定义误差函数,使用均方差来计算实际值y和训练输出值之间的误差
    3.每次训练向神经网络输入x,得到预测值,计算误差
    4.注意要清空上一步的残余更新参数值
    5.误差反向传播, 计算参数更新值
    6.将参数更新值施加到 net 的 parameters 上

    for t in range(200):#训练200次
        prediction=net(x)#输入输入值
        loss=loss_func(prediction,y)#计算误差预测值和真实值之间的误差,注意位置
        optimizer.zero_grad()#梯度清零
        loss.backward()#反向传递
        optimizer.step()#优化梯度
    

    可视化训练过程

    for t in range(200):#训练200次
        prediction=net(x)#输入输入值
        loss=loss_func(prediction,y)#计算误差预测值和真实值之间的误差,注意位置
        optimizer.zero_grad()#梯度清零
        loss.backward()#反向传递
        optimizer.step()#优化梯度
        # 接着上面来
        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)
    

    完整代码

    import torch
    from torch.autograd import Variable
    import  torch.nn.functional as F
    import matplotlib.pyplot as plt
    
    x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)#一维变二维
    y=x.pow(2)+0.2*torch.rand(x.size())
    
    # plt.scatter(x.data.numpy(),y.data.numpy())
    # plt.show()
    
    x,y=Variable(x),Variable(y)#构造神经网络的是琥珀要使用Variable类型的
    
    class Net(torch.nn.Module):
        def __init__(self,n_feature,n_hidden,n_ouput):#初始化信息
            super(Net, self).__init__()
            self.hidden=torch.nn.Linear(n_feature,n_hidden,n_ouput)#隐藏层线性输出
            self.predict=torch.nn.Linear(n_hidden,n_ouput)#输出层线性输出
    
        def forward(self,x):#前向传递的过程
            #正向传播输入值,神经网络输出预测值
            x=F.relu(self.hidden(x))#激励函数加工一下
            x=self.predict(x)#输出值预测值
            return x
    
    net=Net(n_feature=1,n_hidden=10,n_ouput=1)#输入值是一个,隐藏层有10个神经元,输出值为y值
    print(net)
    
    optimizer=torch.optim.SGD(net.parameters(),lr=0.5)#输入神经网络的所有参数,学习效率,这个是训练工具
    loss_func=torch.nn.MSELoss()#误差处理均方差
    
    plt.ion()   # 画图
    plt.show()
    
    for t in range(200):#训练200次
        prediction=net(x)#输入输入值
        loss=loss_func(prediction,y)#计算误差预测值和真实值之间的误差,注意位置
        optimizer.zero_grad()#梯度清零
        loss.backward()#反向传递
        optimizer.step()#优化梯度
        # 接着上面来
        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)
    
    

    过程结果

    中间过程省略一部分...

  • 相关阅读:
    什么是socket ??
    WebView的使用
    UIWebView 使用
    UIWebView与JavaScript的交互
    iOS中UIWebView使用JS交互
    iOS app支付宝接口调用的一点总结(补充支付宝SDK&Demo下载地址)
    51单片机 按键,键盘检测
    51单片机 数码管的显示与译码器
    C51数据类型扩充定义
    STC12C5A60S2 内部AD+1602显示
  • 原文地址:https://www.cnblogs.com/mengxiaoleng/p/11792802.html
Copyright © 2011-2022 走看看