莫烦pytorch学习笔记（五）——关系拟合（回归）

建造第一个神经网络——关系拟合（回归）

1.要点

神经网络分为两种类型，一种回归，一种分类。回归是连续的值，比如房价问题；分类是一堆数据，比如一堆图片，神经网络将起划分为两种不同类型。

2.建立数据集

我们创建一些假数据来模拟真实的情况. 比如一个一元二次函数: y = a * x^2 + b, 我们给 y 数据加上一点噪声来更加真实的展示它。

import torch
from torch.autograd import Variable #使用variable包住数据
import torch.nn.functional as F    #激励函数F
import matplotlib.pyplot as plt   #画图的模块
 
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) 
# unsqueeze将一维的数据变成二维的数据。torch只会处理二维的数据
#x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size())
#y是二次方加上一些噪点的影响，后面是噪点                
# noisy y data (tensor), shape=(100, 1)
x,y=Variable(x),Variable(y)

# 画图，scatter打印散点图
plt.scatter(x.data.numpy(), y.data.numpy())
plt.show()

 

这个是上面代码运行结果图：

 

3.建立神经网络

建立一个神经网络我们可以直接运用 torch 中的体系. 先定义所有的层属性(__init__()), 然后再一层层搭建(forward(x))层于层的关系链接. 建立关系的时候, 我们会用到激励函数。

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模块
    def __init__(self, n_feature, n_hidden, n_output):
        #init是搭建层需要的信息
        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，层命名为hidden，n_feature层输入，n_hidden隐藏层的神经元，本函数输出隐藏层神经元的个数。
        self.predict = torch.nn.Linear(n_hidden, n_output)   # 输出层线性输出，预测神经层predict，n_hidden隐藏层神经元个数，n_output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输入值，
        x = F.relu(self.hidden(x))      # 激励函数(隐藏层的线性值)
        x = self.predict(x)             # 输出值，这里不用激励函数因为在大多数回归问题中，预测值分布从负无穷到正无穷，用了激励函数，会把取值截断。
        return x
        

net = Net(n_feature=1, n_hidden=10, n_output=1)
#feature=1，只包含了x一个信息，这里假设隐藏层有10个神经元，输出值y有一个

print(net)  # net 的结构
"""
Net (
  (hidden): Linear (1 -> 10)
  (predict): Linear (10 -> 1)
)
"""

4.训练网络

训练网络就是优化网络

# optimizer 是训练的工具
optimizer = torch.optim.SGD(net.parameters(), lr=0.2)  # 传入 net 的所有参数, 学习效率
loss_func = torch.nn.MSELoss()      # 预测值和真实值的误差计算公式 (均方差处理回归)

for t in range(100):
    prediction = net(x)     # 喂给 net 训练数据 x, 输出预测值

    loss = loss_func(prediction, y)     # 计算两者的误差

    optimizer.zero_grad()   # 清空上一步的残余更新参数值
    loss.backward()         # 误差反向传播, 计算参数更新值
    optimizer.step()        # 将参数更新值施加到 net 的 parameters 上

5.可视化训练过程

import matplotlib.pyplot as plt

plt.ion()   # 画图
plt.show()

for t in range(200):

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

    # 接着上面来
    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)

可视化神经网络结果图，loss误差