深度学习-使用PyTorch模拟二次函数

Posted 2022-06-29 Vivinia_Vivinia

目标效果：

import torch
import torch.nn.functional as f
from torch.autograd import Variable
import matplotlib.pyplot as plt

"""生成随机数据"""
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x轴数据从-1到1，共100个数据，unsqueeze把一维的数据变为2维的数据
y = x.pow(2) + 0.2 * torch.rand(x.size())  # y=x*2，但是还要加上波动
x, y = Variable(x), Variable(y)  # 变成Variable的形式，神经网络只能输入Variable

"""创建神经网络"""
class Net(torch.nn.Module):
    def __init__(self, n_feature, n_hidden, n_output):  # 初始化信息
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(n_feature, n_hidden)  # 一层隐藏层神经网络，输入信息，输出信息（神经元个数）
        self.predict = torch.nn.Linear(n_hidden, n_output)  # 一层预测层神经网络，输入信息，输出信息（神经元个数）

    def forward(self, x):  # 前向传递，x为输入信息
        x = f.relu(self.hidden(x))  # 出了隐藏层要激活
        x = self.predict(x)
        return x


"""打印处理数据"""
net = Net(1, 10, 1)  # 输入值1个x，隐藏层10个，输出值一个y
plt.ion()  # 实时打印的过程
plt.show()
optimizer = torch.optim.SGD(net.parameters(), lr=0.5)  # 使用优化器优化神经网络参数，lr为学习效率，SGD为随机梯度下降法
loss_func = torch.nn.MSELoss()  # 均方差处理回归问题
for t in range(100):  # 循环训练
    prediction = net(x)  # 输入x，得到预测值
    loss = loss_func(prediction, y)  # 计算损失，预测值和真实值的对比
    optimizer.zero_grad()  # 梯度先全部降为0
    loss.backward()  # 反向传递过程
    optimizer.step()  # 以学习效率0.5来优化梯度
    """循环打印"""
    if t % 5 == 0:  # 每五步打印一次
        plt.cla()   # 清除当前图形中的当前活动轴。其他轴不受影响
        plt.scatter(x.data.numpy(), y.data.numpy())  # 打印原始数据
        plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)  # 打印预测数据
        plt.text(0.5, 0, 'Loss=%.4f' % loss.data, fontdict='size': 20, 'color': 'red')  # 打印误差值
        plt.pause(0.1)  # 每次停顿0.1
plt.ioff()
plt.show()

还是觉得PyTorch比Tensorflow好用点，就是这两年PyTorch更新太快，看视频啥的很多语法都换了，有点头大。