文章目录
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