莫煩PyTorch學習筆記(二)——迴歸

---

本文主要是用PyTorch來實現一個簡單的迴歸任務。
編輯器：spyder

1.引入相應的包及生成僞數據

import torch
import torch.nn.functional as F  # 主要實現激活函數
import matplotlib.pyplot as plt  # 繪圖的工具
from torch.autograd import Variable

# 生成僞數據
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim = 1)
y = x.pow(2) + 0.2 * torch.rand(x.size())

# 變爲Variable
x, y = Variable(x), Variable(y)

其中torch.linspace是爲了生成連續間斷的數據，第一個參數表示起點，第二個參數表示終點，第三個參數表示將這個區間分成平均幾份，即生成幾個數據。因爲torch只能處理二維的數據，所以我們用torch.unsqueeze給僞數據添加一個維度，dim表示添加在第幾維。torch.rand返回的是[0,1)之間的均勻分佈。

2.繪製數據圖像

在上述代碼後面加下面的代碼，然後運行可得僞數據的圖形化表示：

# 繪製數據圖像
plt.scatter(x.data.numpy(), y.data.numpy())
plt.show()

3.建立神經網絡

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)   # output layer

    def forward(self, x):
        x = F.relu(self.hidden(x))      # activation function for hidden layer
        x = self.predict(x)             # linear output
        return x

net = Net(n_feature=1, n_hidden=10, n_output=1)     # define the network
print(net)  # net architecture

一般神經網絡的類都繼承自torch.nn.Module，__init__()和forward()兩個函數是自定義類的主要函數。在__init__()中都要添加一句super(Net, self).__init__()，這是固定的標準寫法，用於繼承父類的初始化函數。__init__()中只是對神經網絡的模塊進行了聲明，真正的搭建是在forwad()中實現。自定義類中的成員都通過self指針來進行訪問，所以參數列表中都包含了self。

如果想查看網絡結構，可以用print()函數直接打印網絡。本文的網絡結構輸出如下：

Net (
  (hidden): Linear (1 -> 10)
  (predict): Linear (10 -> 1)
)

4.訓練網絡

# 訓練100次
for t in range(100):
    prediction = net(x)     # input x and predict based on x

    loss = loss_func(prediction, y)     # 一定要是輸出在前，標籤在後 (1. nn output, 2. target)

    optimizer.zero_grad()   # clear gradients for next train
    loss.backward()         # backpropagation, compute gradients
    optimizer.step()        # apply gradients

訓練網絡之前我們需要先定義優化器和損失函數。torch.optim包中包括了各種優化器，這裏我們選用最常見的SGD作爲優化器。因爲我們要對網絡的參數進行優化，所以我們要把網絡的參數net.parameters()傳入優化器中，並設置學習率（一般小於1）。

由於這裏是迴歸任務，我們選擇torch.nn.MSELoss()作爲損失函數。

由於優化器是基於梯度來優化參數的，並且梯度會保存在其中。所以在每次優化前要通過optimizer.zero_grad()把梯度置零，然後再後向傳播及更新。

5.可視化訓練過程

plt.ion()   # something about plotting

for t in range(100):
    ...

    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[0], fontdict={'size': 20, 'color':  'red'})
        plt.pause(0.1)

plt.ioff()
plt.show()

6.運行結果