PyTorch-Linear關係擬合
硬件:NVIDIA-GTX1080
軟件:Windows7、python3.6.5、pytorch-gpu-0.4.1
一、基礎知識
1、問題:y = a * x^2 + b
2、繼承 torch 的 Module
二、代碼展示
import torch
import torch.nn.functional as Func # 激勵函數都在這
import matplotlib.pyplot as plt
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # x data (tensor), shape=(100, 1), unsqueeze(dim = 1): shape(100)->shape(100,1)
y = x.pow(2) + 0.2*torch.rand(x.size()) # noisy y data (tensor), shape=(100, 1)
# 畫圖
#plt.scatter(x.data.numpy(), y.data.numpy())
#plt.show()
class Net(torch.nn.Module): # 繼承 torch 的 Module
def __init__(self, n_feature, n_hidden, n_output):
super(Net, self).__init__() # 繼承 Module 的 __init__ 功能
# 定義每層用什麼樣的形式
self.hidden = torch.nn.Linear(n_feature, n_hidden) # 隱藏層線性輸出, type(hidden) = torch.nn.modules.linear.Linear(一個類)
self.predict = torch.nn.Linear(n_hidden, n_output) # 輸出層線性輸出, type(predict) = torch.nn.modules.linear.Linear(一個類)
def forward(self, x): # 這同時也是 Module 中的 forward 功能
# 正向傳播輸入值, 神經網絡分析出輸出值
x = Func.relu(self.hidden(x)) # 激勵函數(隱藏層的線性值) self.hidden.forward(x)
x = self.predict(x) # 輸出值 self.predict.forward(x)
return x
net = Net(n_feature=1, n_hidden=10, n_output=1)
# print(net) # net 的結構
# optimizer 是訓練的工具
optimizer = torch.optim.SGD(net.parameters(), lr=0.5) # 傳入 net 的所有參數, 學習率
loss_func = torch.nn.MSELoss() # 預測值和真實值的誤差計算公式 (均方差), type(torch.nn.MSELoss()) = torch.nn.modules.loss.MSELoss(一個類)
plt.ion() # 畫圖
plt.show()
for t in range(100):
prediction = net(x) # 餵給 net 訓練數據 x, 輸出預測值 net.forward(x)
loss = loss_func(prediction, y) # 計算兩者的誤差 loss_func.forward(prediction, y)
optimizer.zero_grad() # 清空上一步的殘餘更新參數值
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
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)
三、結果展示
四、參考:
任何問題請加唯一QQ2258205918(名稱samylee)!