Regression 迴歸（pytorch實現）

Regression 迴歸

以下內容是根據torch官網和莫煩python學習所得

# from __future__ import print_function
import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt

# fake data
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # unsqueeze()將數據轉爲二維
y = x.pow(2) + 0.2 * torch.rand(x.size())

x, y = Variable(x), Variable(y)

# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()
plt.ion()  # 畫圖，配合下面的 plt.ioff
# plt.show()
        
class Net(torch.nn.Module):  # 繼承 torch 的 Module
    def __init__(self, n_feature, n_hidden, n_output):
        # 搭建神經網絡需要的初始化
        super(Net, self).__init__()     # 繼承 __init__ 功能,官方步驟
        # 定義每層用什麼樣的形式
        # 參數爲輸入個數，輸出個數
        self.hidden = torch.nn.Linear(n_feature, n_hidden)   # 隱藏層線性輸出
        self.predict = torch.nn.Linear(n_hidden, n_output)   # 輸出層線性輸出

    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 = F.relu(self.hidden(x))      # 激勵函數(隱藏層的線性值)
        x = self.predict(x)             # 輸出值
        return x

net = Net(n_feature=1, n_hidden=10, n_output=1)
print(net)

# optimizer 是訓練的工具 define optimizer, lr is study efficiency(0-1)
optimizer = torch.optim.SGD(net.parameters(), lr=0.2)  # 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)

for t in range(100):
    prediction = net(x)     # 餵給 net 訓練數據 x, 輸出預測值
     # calculate loss, 要求預測值在前，真值在後
    loss = loss_func(prediction, y)     # 計算兩者的誤差
    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 % 50 == 0:
        # print(t, prediction, y)
        # 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)

plt.ioff()
plt.show()