pytorch 模拟关系拟合——回归实例_Python

pytorch 模拟关系拟合——回归实例

2020-04-22 10:12HF飞哥 Python

今天小编就为大家分享一篇pytorch 模拟关系拟合——回归实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

本次用 pytroch 来实现一个简单的回归分析，也借此机会来熟悉 pytorch 的一些基本操作。

1. 建立数据集

				?

									import torch

									from torch.autograd import Variable

									import matplotlib.pyplot as plt

									# torch.linspace(-1,1,100)表示返回一个一维张量，包含在区间 -1到1 上均匀间隔的100个点；

									# torch.unsqueeze(input,dim=1)表示转换维度

									x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)

									# 生成的y值为x的平方加上随机数 

									y = x.pow(2) + 0.2*torch.rand(x.size())         

									# 用 Variable 来修饰这些数据 tensor

									x, y = torch.autograd.Variable(x), Variable(y)

									# 画图

									plt.scatter(x.data.numpy(), y.data.numpy())

									plt.show()

2. 构建神经网络

				?

									import torch

									import torch.nn.functional as F   # 激励函数都在这

									class Net(torch.nn.Module): # 继承 torch 的 Module

									  def __init__(self, n_feature, n_hidden, n_output):

									    super(Net, self).__init__()   # 继承 __init__ 功能

									    # 定义每层用什么样的形式

									    self.hidden = torch.nn.Linear(n_feature, n_hidden)  # 隐藏层线性输出

									    self.predict = torch.nn.Linear(n_hidden, n_output)  # 输出层线性输出

									  def forward(self, x):  # 这同时也是 Module 中的 forward 功能

									    # 正向传播输入值, 神经网络分析出输出值

									    x = F.relu(self.hidden(x))   # 激励函数(隐藏层的线性值)

									    x = self.predict(x)       # 输出值

									    return x

									net = Net(n_feature=1, n_hidden=10, n_output=1)

									print(net) # net 的结构

									"""

									Net (

									 (hidden): Linear (1 -> 10)

									 (predict): Linear (10 -> 1)

									)

									"""

3. 实时绘图查看回归效果

				?

									import matplotlib.pyplot as plt

									plt.ion() #打开交互绘图模式（便于实时显示图像变化）

									plt.show() 

									optimizer = torch.optim.SGD(net.parameters(), lr=0.1) # 定义优化器和学习率

									loss_func = torch.nn.MSELoss() #定义损失函数

									for t in range(200):

									  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()) # 画散点图

									    plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5) # 画拟合曲线

									    plt.text(0.5, 0, 'Loss=%.4f' % loss.data[0], fontdict={'size':20,'color':'red'}) # 显示损失数值

									    plt.pause(0.1)

									# 如果在脚本中使用ion()命令开启了交互模式，没有使用ioff()关闭的话，则图像会一闪而过，并不会常留。要想防止这种情况，需要在plt.show()之前加上ioff()命令。

									plt.ioff() 

									plt.show()