文章目录

• pytorch实现回归模型
• 一、代码
• 二、实现效果

---

pytorch实现回归模型

一、代码

import  torch
import  torch.nn.functional as F
import matplotlib.pyplot as plt
#建立数据集
x = torch.unsqueeze(torch.linspace(-1,1,100),dim=1)# x data(tensor),shape(100,1)
y = x.pow(2) + 0.2*torch.rand(x.size())# noisy y data(tensor),shape(100,1)
#建立神经网络
#方法一：
# class Net(torch.nn.Module):
#     def __init__(self,n_feature,n_hidden,n_output):
#         super(Net,self).__init__()#继承__init__功能
#         #定义每层用什么样的形式
#         self.hidden = torch.nn.Linear(n_feature,n_hidden)#隐藏层线性输出
#         self.output = torch.nn.Linear(n_hidden,n_output)#输出层线性输出
#
#     def forward(self,x):
#         x = F.relu(self.hidden(x))#激活函数
#         x = self.output(x)#输出值
#         return x
# net = Net(n_feature=1,n_hidden=10,n_output=1)
#方法二：
net = torch.nn.Sequential(
    torch.nn.Linear(1,10),
    torch.nn.ReLU(),
    torch.nn.Linear(10,1)
)
#可视化
plt.ion()
plt.show()
#训练网络
optimizer = torch.optim.SGD(net.parameters(),lr=0.2)#随机梯度下降，传入net的所有参数，学习率
loss_func = torch.nn.MSELoss()#损失函数（均方差）
for t in range(100):
    pre_y = net(x)#给net训练数据，输出预测值
    loss = loss_func(pre_y,y)#计算损失函数
    optimizer.zero_grad()#清空上一步的残余更新参数值
    loss.backward()#误差反向传播
    optimizer.step()#将新参数更新值添加到net的parameters上
    #绘图
    if t%5 == 0 :
        plt.cla()
        plt.scatter(x.data.numpy(),y.data.numpy())
        plt.plot(x.data.numpy(),pre_y.data.numpy(),'r_',lw=5)
        plt.text(0.5,0,'Loss=%.4f'%loss.data.numpy(),fontdict={'size':20,'color':'red'})
        plt.pause(0.1)

二、实现效果