pytorch-神经网络拟合曲线实例

Python  /  管理员 发布于 5年前   343

代码已经调通，跑出来的效果如下：

# 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。