用pytorch1.0搭建簡單的神經網絡：進行回歸分析

搭建簡單的神經網絡：進行回歸分析

import torch
import torch.nn.functional as F  # 包含激勵函數
import matplotlib.pyplot as plt

# 建立數據集
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)
# [1,2,3,4,5,6,7,8,9]---一維數據  [[1,2,3,4,5,6,7,8,9]]---二維數據
# torch只會處理二維及以上數據

# torch can only train on Variable, so convert them to Variable
# The code below is deprecated in Pytorch 0.4. Now, autograd directly supports tensors
# x, y = Variable(x), Variable(y)

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

# 建立神經網絡
# 先定義所有的層屬性(__init__()), 然后再一層層搭建(forward(x))層於層的關系鏈接
class Net(torch.nn.Module):      # 繼承 torch 的 Module
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()       # 繼承 __init__ 功能
        # 定義每層用什么樣的形式
        self.hidden = torch.nn.Linear(n_feature, n_hidden)   # hidden layer  # 隱藏層線性輸出
        self.predict = torch.nn.Linear(n_hidden, n_output)   # output layer  # 輸出層線性輸出 ==== 定義層數

    def forward(self, x): # 這同時也是 Module 中的 forward 功能
        # 正向傳播輸入值, 神經網絡分析出輸出值
        x = F.relu(self.hidden(x))      # activation function for hidden layer # 激勵函數(隱藏層的線性值)
        x = self.predict(x)             # linear output   # 輸出值
        return x                        # ==== 定義每層關系

net = Net(n_feature=1, n_hidden=10, n_output=1)     # define the network
# print(net)  # net architecture == 顯示神經網絡結構
# Net(
#   (hidden): Linear(in_features=1, out_features=10, bias=True)
#   (predict): Linear(in_features=10, out_features=1, bias=True)
# )
# 搭建完神經網絡后，對 神經網路參數（net.parameters()） 進行優化
# (1.選擇優化器 optimizer 是訓練的工具
optimizer = torch.optim.SGD(net.parameters(), lr=0.15) # 傳入 net 的所有參數, 學習率
# (2.選擇優化的目標函數
loss_func = torch.nn.MSELoss()  # this is for regression mean squared loss  # 預測值和真實值的誤差計算公式 (均方差)

plt.ion()   # something about plotting
# (3.開始訓練網絡
for t in range(200):
    prediction = net(x)     # input x and predict based on x  # 喂給 net 訓練數據 x, 輸出預測值
    loss = loss_func(prediction, y)     # must be (1. nn output, 2. target)   # 計算兩者的誤差

    optimizer.zero_grad()   # clear gradients for next train      # 清空上一步的殘余更新參數值
    loss.backward()         # backpropagation, compute gradients  # 誤差反向傳播, 計算參數更新值
    optimizer.step()        # apply gradients                     # 將參數更新值施加到 net 的 parameters 上

    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()