欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

莫烦pytorch学习笔记(五)——关系拟合(回归)

程序员文章站 2022-03-17 14:21:16
...

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:

 

莫烦pytorch学习笔记(五)——关系拟合(回归)

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

 

莫烦pytorch学习笔记(五)——关系拟合(回归)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

相关标签: pytorch