pytorch学习-3：线性回归

Posted 2021-12-12 Paul-Huang

线性回归

1. 问题描述

一个一元二次函数: $y=a{x}^2+b$, 我们给 $y$ 数据加上一点噪声来更加真实的展示它。

import torch
import matplotlib.pyplot as plt

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)

# 画图
plt.scatter(x.data.numpy(), y.data.numpy())
plt.show()

1.2 建立神经网络

建立一个神经网络我们可以直接运用 torch 中的体系。 先定义所有的层属性(__init__()), 然后再一层层搭建(forward(x))层于层的关系链接。

import torch
import torch.nn.functional as F # 激励函数

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.predict = torch.nn.Linear(n_hidden, n_output)   #输出层线性输出

    def forward(self, x): # 这同时也是 Module 中的 forward 功能
        # 正向传播，神经网络分析出输出值
        x = F.relu(self.hidden(x))  # 激励函数（隐藏层的线性值）
        x = self.predict(x)         # 输出值
        return x

# 引出网络
net = Net(n_feature=1, n_hidden=10, n_output=1)

print(net)

1.3 训练网络

for t in range(200):
    prediction = net(x)                     # 喂给 net 训练数据 x, 输出预测值

    loss = loss_func(prediction, y)         # 计算两者的误差
    optimizer.zero_grad()                   # 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()                        # 将参数更新值施加到 net 的 parameters 上

1.4 可视化

	 if t % 5 == 0:
	        # plot and show learning process
	        plt.cla()
	        plt.scatter(x.data.numpy(), y.data.numpy())
	        plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
	        plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})
	        plt.pause(0.1)

2. 整体代码

• reg_test.py

import torch
import matplotlib.pyplot as plt
from Net import net

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
y = x.pow(2) + 0.2*torch.rand(x.size())
# 画图
plt.scatter(x.data.numpy(), y.data.numpy())
plt.show()

# 训练网络
optimizer = torch.optim.SGD(net.parameters(), lr=0.3)  # 传入 net 的所有参数, 学习率
loss_func = torch.nn.MSELoss()      # 预测值和真实值的误差计算公式 (均方差)

plt.ion()   # 画图
plt.show()

for t in range(200):
    prediction = net(x)                     # 喂给 net 训练数据 x, 输出预测值

    loss = loss_func(prediction, y)         # 计算两者的误差
    optimizer.zero_grad()                   # 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()                        # 将参数更新值施加到 net 的 parameters 上
    # 数据可视化
    if t % 5 == 0:
        # plot and show learning process
        plt.cla()
        plt.scatter(x.data.numpy(), y.data.numpy())
        plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
        plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})
        plt.pause(0.1)


plt.ioff()
plt.show()

• Net.py

import torch
import torch.nn.functional as F # 激励函数

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.predict = torch.nn.Linear(n_hidden, n_output)   #输出层线性输出

    def forward(self, x): # 这同时也是 Module 中的 forward 功能
        # 正向传播，神经网络分析出输出值
        x = F.relu(self.hidden(x))  # 激励函数（隐藏层的线性值）
        x = self.predict(x)         # 输出值
        return x

# 引出网络
net = Net(n_feature=1, n_hidden=10, n_output=1)

print(net)

参考

1. 关系拟合 (回归)