pytroch--动手搭建第一个神经网络

我是用的是pytorch框架，python3.6, 开发工具pycharm
这里自己造假数据，实现回归模型

一、造数据

import torch
import numpy as np
import matplotlib.pyplot as plt
from torch.nn.functional as F  #获得神经网络的激励函数
from torch.autograd import Variable  #变量（将张量数据变量化，神经网络只能处理变量）

x = torch.unsqueeze(torch.linspace(-1,1,100),dim=1)  #使用unsqueeze将数据转换为二维数据，需要用上dim参数
y = x.pow(2) + 0.2*torch.rand(x.size())
x, y = Variable(x,requires_grad=False), Variable(y,requires_grad=False)

二、搭神经网络

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

net = Net(1,10,1)

plt.ion()
plt.show()

三、优化神经网络

optimizer = torch.optim.SGD(net.parameters(), lr=0.5)
loss_func = torch.nn.MSELoss()   #均方差足以解决回归问题中的误差

四、训练

for t in range(100):
	prediction = net(x)
	loss = loss_func(prediction, y)
	
	#所有参数的梯度降为为0
	optimizer.zero_grad()
	 #反向传递，给每一个神经元计算出梯度
	loss.backward()
	 #以0.5的学习率来优化梯度
	optimizer.step()
	
	#以下为画图代码：
    if t % 5 == 0:
        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.item(), fontdict={'size':20, 'color':'red'})
        plt.pause(0.1)
plt.ioff()
plt.show()

就这样这是一个简单的实现神经网络进行回归训练的实例
训练结果：

上述步骤的第二步，也可以用快速搭建法去实现神经网络的搭建, 这样就省事多了

在这里插入代码片
net = torch.nn.Sequential(
	torch.nn.Linear(1,10),
	torch.nn.ReLU(),
	torch.Linear(10,1),
)