pytorch神经网络学习笔记(2)

用python搭建了个简单的神经网络

关系拟合

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt
x = torch.unsqueeze(torch.linspace(-1,1,100),dim=1)
# unsqueeze把一维数据变成二维数据
# torch当中只能处理二维数据
y = x.pow(2)+0.2*torch.rand(x.size())
#y=x^2+一些噪点的影响 
x,y =Variable(x),Variable(y)
#因为神经网络只能输入Variable
#plt.scatter(x.data.numpy(),y.data.numpy())
#打印散点图
#plt.show()
class Net(torch.nn.Module):#继承torch的一个模块
    def __init__(self,n_feature,n_hidden,n_output):
        #n_feature输入层,n_hidden隐藏层,n_output输出层
        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):#搭建神经网络前向传递的一些过程
        x = F.relu(self.hidden(x))
        x = self.predict(x)
        return x
net = Net(1,10,1)
print(net)
#可视化
plt.ion()
plt.show()
optimizer = torch.optim.SGD(net.parameters(),lr=0.5)
#优化神经网络，传递参数，lr是学习效率，也是梯度下降幅度
loss_func = torch.nn.MSELoss()
#均方差
#训练
for t in range(100):
    prediction = net(x)
    loss = loss_func(prediction,y)
    #计算误差，prediction是预测值，y是真实值
    optimizer.zero_grad()
    #梯度全部设为0
    loss.backward()
    #反向传递
    optimizer.step()
    #以lr来优化梯度
    if t%5==0:
        #画出学习过程
        plt.cla()
        #清屏
        plt.scatter(x.data.numpy(),y.data.numpy())
        #画散点图
        plt.plot(x.data.numpy(),prediction.data.numpy(),'r-','lw=5')
        #画线
        plt.text(0.5,0,'Loss=%.4f' % loss.item(),fontdict={ 'size':20,'color':'red'})
        #画误差值
        plt.pause(0.5)
        #每隔0.5秒画一次
plt.ioff()
plt.show()