pytorch動態(tài)神經網絡(擬合)實現(xiàn)

更新時間：2021年03月24日 08:39:53 作者：子玹

這篇文章主要介紹了pytorch動態(tài)神經網絡(擬合)實現(xiàn),文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧

（1）首先要建立數(shù)據集

import torch  #引用torch模塊
import matplotlib.pyplot as plt #引用畫圖模塊
x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)#產生（-1,1）的100個點橫坐標,dim表示維度，表示在這里增加第二維
y=x.pow(2)+0.2*torch.rand(x,size())
#0.2*torch.rand(x,size())是為了產生噪點使數(shù)據更加真實

（2）建立神經網絡

import torch
imoort torch.nn.functional as F #激勵函數(shù)在這個模塊里
class Net (torch.nn.Module): #Net要繼承torch中Module 
(1)首先有定義（建立）神經網絡層
def __init__(self,n_feature,n_hidden,n_output):
#__init__表示初始化數(shù)據
  super(Net,self).__init__()#Net的對象self轉換為類nn.module的對象，然后在用nn.Module的方法使用__init__初始化。
self.hidden=torch.nn.Linear(n_feature,n_hidden)
#建立隱藏層線性輸出
self.predict=torch.nn.Linear(n_hidden,n_output)
#建立輸出層線性輸出

（2）建立層與層之間的關系

def forward (self,x):
# 這同時也是 Module 中的 forward 功能
x=F.relu(self,hidden(x))
#使用激勵函數(shù)把數(shù)據激活
return x #輸出數(shù)據
net=Net(n_feature=1,n_hidden=10,n_output=1)
#一個隱藏層有10節(jié)點，輸出層有1節(jié)點，輸出數(shù)數(shù)據為一個

（3）訓練網絡

optimizer=torch.optim.SGD(net.parameter().lr=0.2)#傳入 net 的所有參數(shù), lr代表學習率,optimizer是訓練工具
loss_func=torch.nn.MSELoss()#預測值和真實值的誤差計算公式 (均方差)
for t in range(100):
prediction = net(x) # 喂給 net 訓練數(shù)據 x, 輸出預測值
  loss = loss_func(prediction, y)  # 計算兩者的誤差
  optimizer.zero_grad() # 清空上一步的殘余更新參數(shù)值
  loss.backward()    # 誤差反向傳播, 計算參數(shù)更新值
  optimizer.step()    # 將參數(shù)更新值施加到 net 的 parameters 上

(四)可視化訓練

import matplotlib.pyplot as plt
plt.ion() # 畫圖
plt.show()
for t in range(200):
  ...
  loss.backward()
  optimizer.step() 
  # 接著上面來
  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)

會得到如下圖像：

整體代碼如下：

import torch
import matplotlib.pyplot as plt
x=torch.unsqueeze(torch.linspace(-2,2,100),dim=1)
y=x.pow(2)+0.2*torch.rand(x.size())
import torch
import torch.nn.functional as F
class Net(torch.nn.Module):
  def __init__(self,n_feature,n_hidden,n_output):
    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):
    x=F.relu(self.hidden(x))
    x=self.predict(x)
    return x
net=Net(n_feature=1,n_hidden=10,n_output=1)
optimizer=torch.optim.SGD(net.parameters(),lr=0.3)
loss_func=torch.nn.MSELoss()
plt.ion() 
plt.show()
for t in range(100):
  prediction=net(x)
  loss=loss_func(prediction,y)
  optimizer.zero_grad() 
  loss.backward()    
  optimizer.step()
  if t % 5 == 0:
 
    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)

【參考文獻】https://mofanpy.com/tutorials/machine-learning/torch/regression/

到此這篇關于pytorch動態(tài)神經網絡(擬合)實現(xiàn)的文章就介紹到這了,更多相關pytorch動態(tài)神經網絡內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: