代码已经调通,跑出来的效果如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
|
# coding=gbk
import torch
import matplotlib.pyplot as plt
from torch.autograd import Variable
import torch.nn.functional as F
'''
Pytorch是一个拥有强力GPU加速的张量和动态构建网络的库,其主要构建是张量,所以可以把PyTorch当做Numpy
来用,Pytorch的很多操作好比Numpy都是类似的,但是其能够在GPU上运行,所以有着比Numpy快很多倍的速度。
训练完了,发现隐层越大,拟合的速度越是快,拟合的效果越是好
'''
def train():
print ( '------ 构建数据集 ------' )
# torch.linspace是为了生成连续间断的数据,第一个参数表示起点,第二个参数表示终点,第三个参数表示将这个区间分成平均几份,即生成几个数据
x = torch.unsqueeze(torch.linspace( - 1 , 1 , 100 ), dim = 1 )
#torch.rand返回的是[0,1]之间的均匀分布 这里是使用一个计算式子来构造出一个关联结果,当然后期要学的也就是这个式子
y = x. pow ( 2 ) + 0.2 * torch.rand(x.size())
# Variable是将tensor封装了下,用于自动求导使用
x, y = Variable(x), Variable(y)
#绘图展示
plt.scatter(x.data.numpy(), y.data.numpy())
#plt.show()
print ( '------ 搭建网络 ------' )
#使用固定的方式继承并重写 init和forword两个类
class Net(torch.nn.Module):
def __init__( self ,n_feature,n_hidden,n_output):
#初始网络的内部结构
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):
#一次正向行走过程
x = F.relu( self .hidden(x))
x = self .predict(x)
return x
net = Net(n_feature = 1 ,n_hidden = 1000 ,n_output = 1 )
print ( '网络结构为:' ,net)
print ( '------ 启动训练 ------' )
loss_func = F.mse_loss
optimizer = torch.optim.SGD(net.parameters(),lr = 0.001 )
#使用数据 进行正向训练,并对Variable变量进行反向梯度传播 启动100次训练
for t in range ( 10000 ):
#使用全量数据 进行正向行走
prediction = net(x)
loss = loss_func(prediction,y)
optimizer.zero_grad() #清除上一梯度
loss.backward() #反向传播计算梯度
optimizer.step() #应用梯度
#间隔一段,对训练过程进行可视化展示
if t % 5 = = 0 :
plt.cla()
plt.scatter(x.data.numpy(),y.data.numpy()) #绘制真是曲线
plt.plot(x.data.numpy(),prediction.data.numpy(), 'r-' ,lw = 5 )
plt.text( 0.5 , 0 , 'Loss=' + str (loss.data[ 0 ]),fontdict = { 'size' : 20 , 'color' : 'red' })
plt.pause( 0.1 )
plt.ioff()
plt.show()
print ( '------ 预测和可视化 ------' )
if __name__ = = '__main__' :
train()
|
以上这篇pytorch-神经网络拟合曲线实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持服务器之家。
原文链接:https://blog.csdn.net/maqunfi/article/details/84504622