（1）首先要建立數據集
import torch #引用torch模塊
import matplotlib.pyplot as plt #引用畫圖模塊
x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)#產生（-1,1）的100個點橫坐標,dim表示維度，表示在這里增加第二維
y=x.pow(2)+0.2*torch.rand(x,size())
#0.2*torch.rand(x,size())是為了產生噪點使數據更加真實
（2）建立神經網絡
import torch
imoort torch.nn.functional as F #激勵函數在這個模塊里
class Net (torch.nn.Module): #Net要繼承torch中Module
(1)首先有定義（建立）神經網絡層
def __init__(self,n_feature,n_hidden,n_output):
#__init__表示初始化數據
super(Net,self).__init__()#Net的對象self轉換為類nn.module的對象，然后在用nn.Module的方法使用__init__初始化。
self.hidden=torch.nn.Linear(n_feature,n_hidden)
#建立隱藏層線性輸出
self.predict=torch.nn.Linear(n_hidden,n_output)
#建立輸出層線性輸出
（2）建立層與層之間的關系
def forward (self,x):
# 這同時也是 Module 中的 forward 功能
x=F.relu(self,hidden(x))
#使用激勵函數把數據激活
return x #輸出數據
net=Net(n_feature=1,n_hidden=10,n_output=1)
#一個隱藏層有10節點，輸出層有1節點，輸出數數據為一個
（3）訓練網絡
optimizer=torch.optim.SGD(net.parameter().lr=0.2)#傳入 net 的所有參數, lr代表學習率,optimizer是訓練工具
loss_func=torch.nn.MSELoss()#預測值和真實值的誤差計算公式 (均方差)
for t in range(100):
prediction = net(x) # 喂給 net 訓練數據 x, 輸出預測值
loss = loss_func(prediction, y) # 計算兩者的誤差
optimizer.zero_grad() # 清空上一步的殘余更新參數值
loss.backward() # 誤差反向傳播, 計算參數更新值
optimizer.step() # 將參數更新值施加到 net 的 parameters 上
(四)可視化訓練
import matplotlib.pyplot as plt
plt.ion() # 畫圖
plt.show()
for t in range(200):
...
loss.backward()
optimizer.step()
# 接著上面來
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)
會得到如下圖像：
整體代碼如下：
import torch
import matplotlib.pyplot as plt
x=torch.unsqueeze(torch.linspace(-2,2,100),dim=1)
y=x.pow(2)+0.2*torch.rand(x.size())
import torch
import torch.nn.functional as F
class Net(torch.nn.Module):
def __init__(self,n_feature,n_hidden,n_output):
super(Net,self).__init__()
self.hidden=torch.nn.Linear(n_feature,n_hidden)
self.predict=torch.nn.Linear(n_hidden,n_output)
def forward(self,x):
x=F.relu(self.hidden(x))
x=self.predict(x)
return x
net=Net(n_feature=1,n_hidden=10,n_output=1)
optimizer=torch.optim.SGD(net.parameters(),lr=0.3)
loss_func=torch.nn.MSELoss()
plt.ion()
plt.show()
for t in range(100):
prediction=net(x)
loss=loss_func(prediction,y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
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.numpy(), fontdict={'size': 20, 'color': 'red'})
plt.pause(0.1)
【參考文獻】https://mofanpy.com/tutorials/machine-learning/torch/regression/
到此這篇關于pytorch動態神經網絡(擬合)實現的文章就介紹到這了,更多相關pytorch動態神經網絡內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- pytorch之深度神經網絡概念全面整理
- pytorch 搭建神經網路的實現
- Pytorch實現神經網絡的分類方式
- 對Pytorch神經網絡初始化kaiming分布詳解
- PyTorch一小時掌握之神經網絡氣溫預測篇
