本次用 pytroch 来实现一个简单的回归分析，也借此机会来熟悉 pytorch 的一些基本操作。
1. 建立数据集
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
import torchfrom torch.autograd import Variableimport matplotlib.pyplot as plt# torch.linspace(-1,1,100)表示返回一个一维张量，包含在区间 -1到1 上均匀间隔的100个点；# torch.unsqueeze(input,dim=1)表示转换维度x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)# 生成的y值为x的平方加上随机数 y = x.pow(2) + 0.2*torch.rand(x.size()) # 用 Variable 来修饰这些数据 tensorx, y = torch.autograd.Variable(x), Variable(y)# 画图plt.scatter(x.data.numpy(), y.data.numpy())plt.show() |
2. 构建神经网络
|
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
|
import torchimport torch.nn.functional as F # 激励函数都在这class Net(torch.nn.Module): # 继承 torch 的 Module def __init__(self, n_feature, n_hidden, n_output): 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 self.predict = torch.nn.Linear(n_hidden, n_output) # 输出层线性输出 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 = F.relu(self.hidden(x)) # 激励函数(隐藏层的线性值) x = self.predict(x) # 输出值 return xnet = Net(n_feature=1, n_hidden=10, n_output=1)print(net) # net 的结构"""Net ( (hidden): Linear (1 -> 10) (predict): Linear (10 -> 1))""" |
3. 实时绘图查看回归效果
|
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
|
import matplotlib.pyplot as pltplt.ion() #打开交互绘图模式（便于实时显示图像变化）plt.show() optimizer = torch.optim.SGD(net.parameters(), lr=0.1) # 定义优化器和学习率loss_func = torch.nn.MSELoss() #定义损失函数for t in range(200): prediction = net(x) loss = loss_func(prediction, y) optimizer.zero_grad() loss.backward() optimizer.step() if t%5 == 0: plt.cla() plt.scatter(x.data.numpy(), y.data.numpy()) # 画散点图 plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5) # 画拟合曲线 plt.text(0.5, 0, 'Loss=%.4f' % loss.data[0], fontdict={'size':20,'color':'red'}) # 显示损失数值 plt.pause(0.1)# 如果在脚本中使用ion()命令开启了交互模式，没有使用ioff()关闭的话，则图像会一闪而过，并不会常留。要想防止这种情况，需要在plt.show()之前加上ioff()命令。plt.ioff() plt.show() |
运行终态效果图如下：
以上这篇pytorch 模拟关系拟合——回归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/huangfei711/article/details/78732413
