import torch import torch.nn.functional as F # 主要实现激活函数 import matplotlib.pyplot as plt # 绘图的工具 from torch.autograd import Variable x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # 合成数据 y = x.pow(2) + 0.2 * torch.rand(x.size()) x, y = Variable(x), Variable(y) # 变为Variable 因为网络只支持变量形式 # plt.scatter(x.data.numpy(), y.data.numpy()) # 绘制数据图像 # plt.show() class Net(torch.nn.Module): # 建立网络 def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() # 标准写法 self.hidden = torch.nn.Linear(n_feature, n_hidden) # 隐藏层 输入 输出个数 self.predict = torch.nn.Linear(n_hidden, n_output) # 输出层 输入 输出个数 def forward(self, x): x = F.relu(self.hidden(x)) # 隐藏层的激活函数 x = self.predict(x) # 线性输出 return x model = Net(n_feature=1, n_hidden=10, n_output=1) # 初始化网络 loss_func = torch.nn.MSELoss() # 定义损失函数 optimizer = torch.optim.SGD(model.parameters(), lr=0.1) # 定义优化方法 plt.ion() for t in range(1000): # 训练1000次 prediction = model(x) # input x and predict based on x loss = loss_func(prediction, y) # X 在前(x1, x2,...),标签在后(y1, y2,...) optimizer.zero_grad() # 梯度设置为0 loss.backward() # 反向传播计算梯度 optimizer.step() # apply gradients if t % 5 == 0: plt.cla() # 图形显示 plt.scatter(x.data.numpy(), y.data.numpy()) # 先画数据分布 plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5) plt.text(0.5, 0, 'Loss=%.4f' % loss.data[0], fontdict={'size': 20, 'color': 'red'}) plt.pause(0.1) plt.ioff() plt.show()
PyTorch学习-简单回归实现
猜你喜欢
转载自blog.csdn.net/XX_123_1_RJ/article/details/80382435
今日推荐
周排行