# coding=gbk
import torch
import matplotlib.pyplot as plt
from torch.autograd import Variable
import torch.nn.functional as F
 
'''
 Pytorch是一個擁有強力GPU加速的張量和動態(tài)構(gòu)建網(wǎng)絡(luò)的庫，其主要構(gòu)建是張量，所以可以把PyTorch當做Numpy
 來用,Pytorch的很多操作好比Numpy都是類似的，但是其能夠在GPU上運行，所以有著比Numpy快很多倍的速度。
 訓練完了，發(fā)現(xiàn)隱層越大，擬合的速度越是快，擬合的效果越是好
'''
 
def train():
 print('------  構(gòu)建數(shù)據(jù)集  ------')
 # torch.linspace是為了生成連續(xù)間斷的數(shù)據(jù)，第一個參數(shù)表示起點，第二個參數(shù)表示終點，第三個參數(shù)表示將這個區(qū)間分成平均幾份，即生成幾個數(shù)據(jù)
 x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
 #torch.rand返回的是[0,1]之間的均勻分布 這里是使用一個計算式子來構(gòu)造出一個關(guān)聯(lián)結(jié)果，當然后期要學的也就是這個式子
 y = x.pow(2) + 0.2 * torch.rand(x.size())
 # Variable是將tensor封裝了下，用于自動求導使用
 x, y = Variable(x), Variable(y)
 #繪圖展示
 plt.scatter(x.data.numpy(), y.data.numpy())
 #plt.show()
 
 print('------  搭建網(wǎng)絡(luò)  ------')
 #使用固定的方式繼承并重寫 init和forword兩個類
 class Net(torch.nn.Module):
  def __init__(self,n_feature,n_hidden,n_output):
   #初始網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)
   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):
   #一次正向行走過程
   x=F.relu(self.hidden(x))
   x=self.predict(x)
   return x
 net=Net(n_feature=1,n_hidden=1000,n_output=1)
 print('網(wǎng)絡(luò)結(jié)構(gòu)為：',net)
 
 print('------  啟動訓練  ------')
 loss_func=F.mse_loss
 optimizer=torch.optim.SGD(net.parameters(),lr=0.001)
 
 #使用數(shù)據(jù) 進行正向訓練，并對Variable變量進行反向梯度傳播 啟動100次訓練
 for t in range(10000):
  #使用全量數(shù)據(jù) 進行正向行走
  prediction=net(x)
  loss=loss_func(prediction,y)
  optimizer.zero_grad() #清除上一梯度
  loss.backward() #反向傳播計算梯度
  optimizer.step() #應用梯度
 
  #間隔一段，對訓練過程進行可視化展示
  if t%5==0:
   plt.cla()
   plt.scatter(x.data.numpy(),y.data.numpy()) #繪制真是曲線
   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('------  預測和可視化  ------')
 
if __name__=='__main__':
 train()