最後的效果圖如下:
流程如下:
- 生成x, y
- 搭建簡單網絡
- 訓練
- 動態圖顯示訓練過程
代碼如下:
# coding=utf-8
import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
y = x.pow(2) + 0.2 * torch.rand(x.size())
# 轉換成tensor
x = torch.Tensor(x)
y = torch.Tensor(y)
# # 打印散點圖
# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()
# 搭建神經網絡
class Net(torch.nn.Module):
def __init__(self, n_feature, n_hidden, n_output):
super().__init__()
self.hidden = torch.nn.Linear(n_feature, n_hidden) # layer
self.predict = torch.nn.Linear(n_hidden, n_output) # layer
def forward(self, x): # 前向計算
x = F.relu(self.hidden(x))
x = self.predict(x)
return x
net = Net(1, 100, 1)
print(net)
# 隨機梯度下降
omptimzer = torch.optim.SGD(net.parameters(), lr=0.01) # 網絡的所有參數,和學習率
loss_func = torch.nn.MSELoss() # 均方差
# 可視化
plt.ion() # 設置可以實時顯示
plt.show()
for t in range(1000):
prediction = net(x)
loss = loss_func(prediction, y)
omptimzer.zero_grad() # 先將所有參數的梯度每次置零
loss.backward() # 誤差反向傳播,計算所有節點的梯度
omptimzer.step() # 用上面的計算值,學習率爲lr,來優化參數
if t % 50 == 0:
plt.cla()
plt.scatter(x.data.numpy(), y.data.numpy())
plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
plt.pause(0.1)
print(f't:{t}, {loss.tolist()}')
plt.ioff()
plt.show()
參考莫煩pytorch教程:https://space.bilibili.com