pytorch 模拟关系拟合――回归实例

 import torch from torch.autograd import Variable import 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 tensor x, y = torch.autograd.Variable(x), Variable(y) # 画图 plt.scatter(x.data.numpy(), y.data.numpy()) plt.show() 

 import torch import 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 x net = Net(n_feature=1, n_hidden=10, n_output=1) print(net) # net 的<span style="color:transparent">来源gaodai#ma#com搞*代#码网</span>结构 """ Net ( (hidden): Linear (1 -> 10) (predict): Linear (10 -> 1) ) """ 

 import matplotlib.pyplot as plt plt.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()