生成训练数据
数据由 y=x**2 加上一些噪声产生
# 构造测试数据
x = torch.linspace(-1, 1, 100).unsqueeze(1) # x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size()) # noisy y data (tensor), shape=(100, 1)
观察一下测试数据
# 画图
plt.scatter(x, y)
plt.show()
构造并生成网络（通过定义类的方式）
class Net(torch.nn.Module): # 继承 torch 的 Module
# 我理解为这是在声明网络的静态结构
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
# .Liner()，“直”（线性）部分，相当与y=f(Wx)中Wx
self.hidden = torch.nn.Linear(n_feature, n_hidden) # 隐藏层线性输出
self.predict = torch.nn.Linear(n_hidden, n_output) # 输出层线性输出
# 上面两句就是声明了Net有两层，hidden和predict
# 如果有多层可以self.hidden1,self.hidden2...,应该注意前尾部与后首的连贯，就是上面两句的n_hidden参数
# 我理解为声明网络的处理流程，有动态的意思
def forward(self, x): # 这同时也是 Module 中的 forward 功能
# 正向传播输入值, 神经网络分析出输出值
# 激活函数激活，“弯”非线性部分，相当于y=f(Wx)中的f()部分
x = F.relu(self.hidden(x)) # 激励函数(隐藏层的线性值)
# 这一句可以理解为x1=f（x0）
y = self.predict(x) # 输出值
# 最后这一层输出没有使用激活函数是因为激活函数会把y限定在一定范围内，这里使用激活函数显然是不合理的
return y
# 声明一个网络
net = Net(n_feature=1, n_hidden=10, n_output=1)
构造的网络可以直接print
# 通过print可以直接打印网络的结构
print(net) # net 的结构
# Net(
# (hidden): Linear(in_features=1, out_features=10, bias=True)
# (predict): Linear(in_features=10, out_features=1, bias=True)
# )
进行相关配置并训练网络
# optimizer 是训练的工具
optimizer = torch.optim.SGD(net.parameters(), lr=0.2)
# 传入 net 的所有参数, 学习率
loss_func = torch.nn.MSELoss()
# 误差的计算方式，这里选用的是均方误差
plt.ion() # 画图
plt.show()
for t in range(1000):
prediction = net(x) # 为 net 训练数据 x, 输出预测值
loss = loss_func(prediction, y) # 计算两者的均方误差
# 实践证明这个loss_func只能在上面（未训练之前）声明，下面调用，这里写成loss = torch.nn.MSELoss(prediction, y)会报错
optimizer.zero_grad() # 上一步的更新梯度留在net.parameters()中，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() # 更新参数（net.patameters()）
训练过程可视化（代码在文尾全部代码部分给出）
- 训练过程中
- 训练收敛后
全部代码
import torch
import matplotlib.pyplot as plt
import torch.nn.functional as F # 激励函数都在这
# 构造测试数据
x = torch.linspace(-1, 1, 100).unsqueeze(1) # x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size()) # noisy y data (tensor), shape=(100, 1)
# 画图
plt.scatter(x, y)
# plt.show()
class Net(torch.nn.Module): # 继承 torch 的 Module
# 我理解为这是在声明网络的静态结构
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
# .Liner()，“直”（线性）部分，相当与y=f(Wx)中Wx
self.hidden = torch.nn.Linear(n_feature, n_hidden) # 隐藏层线性输出
self.predict = torch.nn.Linear(n_hidden, n_output) # 输出层线性输出
# 上面两句就是声明了Net有两层，hidden和predict
# 如果有多层可以self.hidden1,self.hidden2...,应该注意前尾部与后首的连贯，就是上面两句的n_hidden参数
# 我理解为声明网络的处理流程，有动态的意思
def forward(self, x): # 这同时也是 Module 中的 forward 功能
# 正向传播输入值, 神经网络分析出输出值
# 激活函数激活，“弯”非线性部分，相当于y=f(Wx)中的f()部分
x = F.relu(self.hidden(x)) # 激励函数(隐藏层的线性值)
# 这一句可以理解为x1=f（x0）
y = self.predict(x) # 输出值
# 最后这一层输出没有使用激活函数是因为激活函数会把y限定在一定范围内，这里使用激活函数显然是不合理的
return y
# 声明一个网络
net = Net(n_feature=1, n_hidden=10, n_output=1)
# 通过print可以直接打印网络的结构
# print(net) # net 的结构
# Net(
# (hidden): Linear(in_features=1, out_features=10, bias=True)
# (predict): Linear(in_features=10, out_features=1, bias=True)
# )
# optimizer 是训练的工具
optimizer = torch.optim.SGD(net.parameters(), lr=0.2)
# 传入 net 的所有参数, 学习率
loss_func = torch.nn.MSELoss()
# 误差的计算方式，这里选用的是均方误差
plt.ion() # 画图
plt.show()
for t in range(1000):
prediction = net(x) # 为 net 训练数据 x, 输出预测值
loss = loss_func(prediction, y) # 计算两者的均方误差
# 实践证明这个loss_func只能在上面（未训练之前）声明，下面调用，这里写成loss = torch.nn.MSELoss(prediction, y)会报错
optimizer.zero_grad() # 上一步的更新梯度留在net.parameters()中，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() # 更新参数（net.patameters()）
# 接着上面来
if t % 5 == 0:
# plot and show learning process
plt.cla()
plt.scatter(x, y)
plt.plot(x, prediction.detach().numpy(), 'r-', lw=5)
plt.text(0.5, 0, 'Loss=%.4f' % loss, fontdict={'size': 20, 'color': 'red'})
plt.pause(0.1)
参考文献
代码主要来自 关系拟合 (回归) ，略有修改
