pytorch使用說明1

擬合(迴歸)

1.創建數據集

擬合一個一元二次函數：y=a*x^2+b

import torch
import matplotlib.pyplot as plt

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size())                 # noisy y data (tensor), shape=(100, 1)

# 畫圖
plt.scatter(x.data.numpy(), y.data.numpy())
plt.show()

2.創建神經網絡

創建一個神經網絡咱們能夠直接運用torch中的體系。先定義全部層屬性(__ init __()),而後再一層層搭建(forward(x))層與層的關係連接。

import torch
import torch.nn.functional as F     # 激勵函數都在這

class Net(torch.nn.Module):  # 繼承 torch 的 Module
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()     # 繼承 __init__ 功能
        # 定義每層用什麼樣的形式
        self.hidden = torch.nn.Linear(n_feature, n_hidden)   # 隱藏層線性輸出
        self.predict = torch.nn.Linear(n_hidden, n_output)   # 輸出層線性輸出

    def forward(self, x):   # 這同時也是 Module 中的 forward 功能
        # 正向傳播輸入值, 神經網絡分析出輸出值
        x = F.relu(self.hidden(x))      # 激勵函數(隱藏層的線性值)
        x = self.predict(x)             # 輸出值
        return x

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

print(net)  # net 的結構
"""
Net (
  (hidden): Linear (1 -> 10)
  (predict): Linear (10 -> 1)
)
"""

3.訓練網絡

# optimizer 是訓練的工具
optimizer = torch.optim.SGD(net.parameters(), lr=0.2)  # 傳入 net 的全部參數, 學習率
loss_func = torch.nn.MSELoss()      # 預測值和真實值的偏差計算公式 (均方差)

for t in range(100):
    prediction = net(x)     # 餵給 net 訓練數據 x, 輸出預測值

    loss = loss_func(prediction, y)     # 計算二者的偏差

    optimizer.zero_grad()   # 清空上一步的殘餘更新參數值
    loss.backward()         # 偏差反向傳播, 計算參數更新值
    optimizer.step()        # 將參數更新值施加到 net 的 parameters 上

4.可視化

import matplotlib.pyplot as plt

plt.ion()   # 畫圖
plt.show()

for t in range(200):

    ...
    loss.backward()
    optimizer.step()

    # 接着上面來
    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)

5.快速搭建網絡

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

net1 = Net(1, 10, 1)   # 這是咱們用這種方式搭建的 net1


net2 = torch.nn.Sequential(
    torch.nn.Linear(1, 10),
    torch.nn.ReLU(),
    torch.nn.Linear(10, 1)
)
print(net1)
"""
Net (
  (hidden): Linear (1 -> 10)
  (predict): Linear (10 -> 1)
)
"""
print(net2)
"""
Sequential (
  (0): Linear (1 -> 10)
  (1): ReLU ()
  (2): Linear (10 -> 1)
)
"""

咱們發現net2多顯示了一些內容。它把激活函數一同歸入進去了，但net1中，激活函數其實是在forward()功能中才被調用的。這也就說明了相比於net2, net1的好處就是，你能夠根據你的我的須要更加個性化你的前向傳播過程。