import torch
from torch.autograd import Variable
import numpy as np
import random
import matplotlib.pyplot as plt
from torch import nn
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
#[1,2,3,4]這樣的矩陣是一維的,[[1,2,3,4]]是二維的,unsqueeze()可以將一維矩陣變成二維矩陣,因爲torch只處理2維數據
y = 3*x + 10 + torch.rand(x.size())
# 上面這行代碼是製造出接近y=3x+10的數據集,後面加上torch.rand()函數製造噪音
if torch.cuda.is_available():
print('yes')
inputs = Variable(x).cuda()#要把x,y都變成variable,因爲神經網絡只能處理variable
target = Variable(y).cuda()
else:
inputs = Variable(x)
target = Variable(y)
# 畫圖
# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()
################################搭建神經層
class LinearRegression(nn.Module):#神經網絡結構(官方步驟)
def __init__(self):#神經網絡層信息(官方步驟)
super(LinearRegression, self).__init__()#(官方步驟)
self.linear = nn.Linear(1, 1) # 輸入和輸出的維度都是1,輸入是x,輸出是y的預測值
def forward(self, x):#向前傳遞結構
out = self.linear(x)
return out
if torch.cuda.is_available():
net = LinearRegression().cuda()
else:
net = LinearRegression()
####################################
criterion = nn.MSELoss()#計算預測值和實際值 均方差
optimizer = torch.optim.SGD(net.parameters(), lr=0.005)#優化器,隨機梯度下降算法
num_epochs = 1000
for epoch in range(num_epochs):
# 向前傳播
out = net(inputs)
loss = criterion(out, target)
# 向後傳播
optimizer.zero_grad() # 注意每次迭代都需要清零
loss.backward()
optimizer.step()
if (epoch+1) %20 == 0:
print('Epoch[{}/{}], loss:{:.6f}'.format(epoch+1, num_epochs, loss.item()))
net.eval()
if torch.cuda.is_available():
predict = net(Variable(x).cuda())
predict = predict.data.cpu().numpy()
else:
predict = net(Variable(x))
predict = predict.data.numpy()
plt.plot(x.numpy(), y.numpy(), 'ro', label='Original Data')
plt.plot(x.numpy(), predict, label='Fitting Line')
plt.show()
神經網絡第二種寫法
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)