pytorch-神经网络拟合曲线

代码已经调通，跑出来的效果如下：

# coding=gbk
import torch
import matplotlib.pyplot as plt
from torch.autograd import Variable
import torch.nn.functional as F

'''
    Pytorch是一个拥有强力GPU加速的张量和动态构建网络的库，其主要构建是张量，所以可以把PyTorch当做Numpy
    来用,Pytorch的很多操作好比Numpy都是类似的，但是其能够在GPU上运行，所以有着比Numpy快很多倍的速度。

    训练完了，发现隐层越大，拟合的速度越是快，拟合的效果越是好
'''

def train():
    print('------      构建数据集      ------')
    # torch.linspace是为了生成连续间断的数据，第一个参数表示起点，第二个参数表示终点，第三个参数表示将这个区间分成平均几份，即生成几个数据
    x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
    #torch.rand返回的是[0,1]之间的均匀分布   这里是使用一个计算式子来构造出一个关联结果，当然后期要学的也就是这个式子
    y = x.pow(2) + 0.2 * torch.rand(x.size())
    # Variable是将tensor封装了下，用于自动求导使用
    x, y = Variable(x), Variable(y)
    #绘图展示
    plt.scatter(x.data.numpy(), y.data.numpy())
    #plt.show()

    print('------      搭建网络      ------')
    #使用固定的方式继承并重写 init和forword两个类
    class Net(torch.nn.Module):
        def __init__(self,n_feature,n_hidden,n_output):
            #初始网络的内部结构
            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):
            #一次正向行走过程
            x=F.relu(self.hidden(x))
            x=self.predict(x)
            return x
    net=Net(n_feature=1,n_hidden=1000,n_output=1)
    print('网络结构为：',net)

    print('------      启动训练      ------')
    loss_func=F.mse_loss
    optimizer=torch.optim.SGD(net.parameters(),lr=0.001)

    #使用数据 进行正向训练，并对Variable变量进行反向梯度传播  启动100次训练
    for t in range(10000):
        #使用全量数据 进行正向行走
        prediction=net(x)
        loss=loss_func(prediction,y)
        optimizer.zero_grad()  #清除上一梯度
        loss.backward() #反向传播计算梯度
        optimizer.step()  #应用梯度

        #间隔一段，对训练过程进行可视化展示
        if t%5==0:
            plt.cla()
            plt.scatter(x.data.numpy(),y.data.numpy()) #绘制真是曲线
            plt.plot(x.data.numpy(),prediction.data.numpy(),'r-',lw=5)
            plt.text(0.5,0,'Loss='+str(loss.data[0]),fontdict={'size':20,'color':'red'})
            plt.pause(0.1)
    plt.ioff()
    plt.show()
    print('------      预测和可视化      ------')

if __name__=='__main__':
    train()