pytorch动态神经网络（拟合）

2024-04-05 08:19:49

　　(1)首先要建立数据集

　　import torch #引用torch模块

　　import matplotlib.pyplot as plt #引用画图模块

　　x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)#产生(-1,1)的100个点横坐标,dim表示维度，表示在这里增加第二维

　　y=x.pow(2)+0.2*torch.rand(x,size())

　　#0.2*torch.rand(x,size())是为了产生噪点使数据更加真实

　　(2)建立神经网络

　　import torch

　　imoort torch.nn.functional as F #激励函数在这个模块里

　　class Net (torch.nn.Module): #Net要继承torch中Module

　　(1)首先有定义(建立)神经网络层

　　def __init__(self,n_feature,n_hidden,n_output):

　　#__init__表示初始化数据

　　super(Net,self).__init__()#Net的对象self转换为类nn.module的对象，然后在用nn.Module的方法使用__init__初始化。

　　self.hidden=torch.nn.Linear(n_feature,n_hidden)

　　#建立隐藏层线性输出

　　self.predict=torch.nn.Linear(n_hidden,n_output)

　　#建立输出层线性输出

　　(2)建立层与层之间的关系

　　def forward (self,x):

　　# 这同时也是 Module 中的 forward 功能

　　x=F.relu(self,hidden(x))

　　#使用激励函数把数据激活

　　return x #输出数据

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

　　#一个隐藏层有10节点，输出层有1节点，输出数数据为一个

　　(3)训练网络

　　optimizer=torch.optim.SGD(net.parameter().lr=0.2)#传入 net 的所有参数, lr代表学习率,optimizer是训练工具

　　loss_func=torch.nn.MSELoss()#预测值和真实值的误差计算公式 (均方差)

　　for t in range(100):

　　prediction = net(x) # 喂给 net 训练数据 x, 输出预测值

　　loss = loss_func(prediction, y) # 计算两者的误差

　　optimizer.zero_grad() # 清空上一步的残余更新参数值

　　loss.backward() # 误差反向传播, 计算参数更新值

　　optimizer.step() # 将参数更新值施加到 net 的 parameters 上

　　(四)可视化训练

　　import matplotlib.pyplot as plt

　　plt.ion() # 画图

　　plt.show()

　　for t in range(200):

　　...

　　loss.backward()

　　optimizer.step()

　　# 接着上面来

　　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)

　　整体代码如下：

　　import torch

　　import matplotlib.pyplot as plt

　　x=torch.unsqueeze(torch.linspace(-2,2,100),dim=1)

　　y=x.pow(2)+0.2*torch.rand(x.size())

　　import torch枣庄人流医院哪家好 http://mobile.0632-3679999.com/

　　import torch.nn.functional as F

　　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)

　　self.predict=torch.nn.Linear(n_hidden,n_output)

　　def forward(self,x):

　　x=F.relu(self.hidden(x))

　　x=self.predict(x)

　　return x

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

　　optimizer=torch.optim.SGD(net.parameters(),lr=0.3)

　　loss_func=torch.nn.MSELoss()

　　plt.ion()

　　plt.show()

　　for t in range(100):

　　prediction=net(x)

　　loss=loss_func(prediction,y)

　　optimizer.zero_grad()