import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt
 
x = torch.unsqueeze(torch.linspace(-5, 5, 100), dim=1)
y = x.pow(3) + 0.2 * torch.rand(x.size())

既然是擬合，我們當然需要一些數據啦，我選取了在區(qū)間 $[-5,5]$ 內的100個等間距點，并將它們排列成三次函數的圖像。

2.2 搭建網絡

我們定義一個類，繼承了封裝在torch中的一個模塊，我們先分別確定輸入層、隱藏層、輸出層的神經元數目，繼承父類后再使用torch中的.nn.Linear()函數進行輸入層到隱藏層的線性變換，隱藏層也進行線性變換后傳入輸出層predict，接下來定義前向傳播的函數forward()，使用relu()作為激活函數，最后輸出predict()結果即可。

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))
        return self.predict(x)
net = Net(1, 20, 1)
print(net)
optimizer = torch.optim.Adam(net.parameters(), lr=0.2)
loss_func = torch.nn.MSELoss()

網絡的框架搭建完了，然后我們傳入三層對應的神經元數目再定義優(yōu)化器，這里我選取了Adam而隨機梯度下降(SGD)，因為它是SGD的優(yōu)化版本，效果在大部分情況下比SGD好，我們要傳入這個神經網絡的參數(parameters)，并定義學習率(learning rate)，學習率通常選取小于1的數，需要憑借經驗并不斷調試。最后我們選取均方差法(MSE)來計算損失(loss)。

2.3 訓練網絡

接下來我們要對我們搭建好的神經網絡進行訓練，我訓練了2000輪(epoch)，先更新結果prediction再計算損失，接著清零梯度，然后根據loss反向傳播(backward)，最后進行優(yōu)化，找出最優(yōu)的擬合曲線。

for t in range(2000):
    prediction = net(x)
    loss = loss_func(prediction, y)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

3.效果

使用如下繪圖的代碼展示效果。

for t in range(2000):
    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(), s=10)
        plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=2)
        plt.text(2, -100, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 10, 'color': 'red'})
        plt.pause(0.1)
plt.ioff()
plt.show()

最后的結果：

4. 完整代碼

import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt
 
x = torch.unsqueeze(torch.linspace(-5, 5, 100), dim=1)
y = x.pow(3) + 0.2 * torch.rand(x.size())
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))
        return self.predict(x)
net = Net(1, 20, 1)
print(net)
optimizer = torch.optim.Adam(net.parameters(), lr=0.2)
loss_func = torch.nn.MSELoss()
plt.ion()
for t in range(2000):
    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(), s=10)
        plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=2)
        plt.text(2, -100, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 10, 'color': 'red'})
        plt.pause(0.1)
plt.ioff()
plt.show()

到此這篇關于基于Pytorch的神經網絡之Regression的實現(xiàn)的文章就介紹到這了,更多相關 Pytorch Regression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: