最近整理了一下pytorch的筆記,把很簡單的pytorch搭建一個迴歸網絡的code貼上來
import torch
import torch.nn.functional as F
x = torch.unsqueeze(torch.linspace(-2, 2, 100), dim=1)#在(-1,1)這個區間內隨機生成100個X,並且利用unsqueeze增加維度來滿足torch的需求
y = x.pow(3) + 0.9![在這裏插入圖片描述](https://img-blog.csdnimg.cn/20190108115051598.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNzMyMzg3,size_16,color_FFFFFF,t_70)*torch.rand(x.size()) # 生成y
#想把tensor轉換成numpy用.data.numpy()
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) # hidden layer
self.predict = torch.nn.Linear(n_hidden, n_output) # 全連接層
def forward(self, x):
x = F.relu(self.hidden(x)) # hidden layer 經過激勵函數
x = self.predict(x)
return x
net = Net(n_feature=1, n_hidden=10, n_output=1) # 定義神經網絡,一個輸入,10個神經元(一層),一個輸出
optimizer = torch.optim.SGD(net.parameters(), lr=0.1) #優化器,本次採用的是SGD優化
loss_func = torch.nn.MSELoss() #mean squared loss 均值方差,針對迴歸問題
for t in range(500):
prediction = net(x)
loss = loss_func(prediction, y) # 計算損失函數
optimizer.zero_grad() # 清除本次的梯度
loss.backward() # 反向傳播計算梯度
optimizer.step() # 每一步用優化器優化一次
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)
plt.ioff()
plt.show()
運行結果