代码已经调通，跑出来的效果如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
|
# coding=gbkimport torchimport matplotlib.pyplot as pltfrom torch.autograd import Variableimport torch.nn.functional as F ''' Pytorch是一个拥有强力GPU加速的张量和动态构建网络的库，其主要构建是张量，所以可以把PyTorch当做Numpy 来用,Pytorch的很多操作好比Numpy都是类似的，但是其能够在GPU上运行，所以有着比Numpy快很多倍的速度。 训练完了，发现隐层越大，拟合的速度越是快，拟合的效果越是好''' def train(): print('------ 构建数据集 ------') # torch.linspace是为了生成连续间断的数据，第一个参数表示起点，第二个参数表示终点，第三个参数表示将这个区间分成平均几份，即生成几个数据 x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) #torch.rand返回的是[0,1]之间的均匀分布 这里是使用一个计算式子来构造出一个关联结果，当然后期要学的也就是这个式子 y = x.pow(2) + 0.2 * torch.rand(x.size()) # Variable是将tensor封装了下，用于自动求导使用 x, y = Variable(x), Variable(y) #绘图展示 plt.scatter(x.data.numpy(), y.data.numpy()) #plt.show() print('------ 搭建网络 ------') #使用固定的方式继承并重写 init和forword两个类 class Net(torch.nn.Module): def __init__(self,n_feature,n_hidden,n_output): #初始网络的内部结构 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): #一次正向行走过程 x=F.relu(self.hidden(x)) x=self.predict(x) return x net=Net(n_feature=1,n_hidden=1000,n_output=1) print('网络结构为：',net) print('------ 启动训练 ------') loss_func=F.mse_loss optimizer=torch.optim.SGD(net.parameters(),lr=0.001) #使用数据 进行正向训练，并对Variable变量进行反向梯度传播 启动100次训练 for t in range(10000): #使用全量数据 进行正向行走 prediction=net(x) loss=loss_func(prediction,y) optimizer.zero_grad() #清除上一梯度 loss.backward() #反向传播计算梯度 optimizer.step() #应用梯度 #间隔一段，对训练过程进行可视化展示 if t%5==0: plt.cla() plt.scatter(x.data.numpy(),y.data.numpy()) #绘制真是曲线 plt.plot(x.data.numpy(),prediction.data.numpy(),'r-',lw=5) plt.text(0.5,0,'Loss='+str(loss.data[0]),fontdict={'size':20,'color':'red'}) plt.pause(0.1) plt.ioff() plt.show() print('------ 预测和可视化 ------') if __name__=='__main__': train() |
以上这篇pytorch-神经网络拟合曲线实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/maqunfi/article/details/84504622
