這篇文章主要為大家展示了“pytorch中神經網絡擬合曲線的示例分析”,內容簡而易懂,條理清晰,希望能夠幫助大家解決疑惑,下面讓小編帶領大家一起研究并學習一下“pytorch中神經網絡擬合曲線的示例分析”這篇文章吧。
代碼已經調通,跑出來的效果如下:

# coding=gbk
import torch
import matplotlib.pyplot as plt
from torch.autograd import Variable
import torch.nn.functional as F
'''
Pytorch是一個擁有強力GPU加速的張量和動態構建網絡的庫,其主要構建是張量,所以可以把PyTorch當做Numpy
來用,Pytorch的很多操作好比Numpy都是類似的,但是其能夠在GPU上運行,所以有著比Numpy快很多倍的速度。
訓練完了,發現隱層越大,擬合的速度越是快,擬合的效果越是好
'''
def train():
print('------ 構建數據集 ------')
# torch.linspace是為了生成連續間斷的數據,第一個參數表示起點,第二個參數表示終點,第三個參數表示將這個區間分成平均幾份,即生成幾個數據
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
#torch.rand返回的是[0,1]之間的均勻分布 這里是使用一個計算式子來構造出一個關聯結果,當然后期要學的也就是這個式子
y = x.pow(2) + 0.2 * torch.rand(x.size())
# Variable是將tensor封裝了下,用于自動求導使用
x, y = Variable(x), Variable(y)
#繪圖展示
plt.scatter(x.data.numpy(), y.data.numpy())
#plt.show()
print('------ 搭建網絡 ------')
#使用固定的方式繼承并重寫 init和forword兩個類
class Net(torch.nn.Module):
def __init__(self,n_feature,n_hidden,n_output):
#初始網絡的內部結構
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):
#一次正向行走過程
x=F.relu(self.hidden(x))
x=self.predict(x)
return x
net=Net(n_feature=1,n_hidden=1000,n_output=1)
print('網絡結構為:',net)
print('------ 啟動訓練 ------')
loss_func=F.mse_loss
optimizer=torch.optim.SGD(net.parameters(),lr=0.001)
#使用數據 進行正向訓練,并對Variable變量進行反向梯度傳播 啟動100次訓練
for t in range(10000):
#使用全量數據 進行正向行走
prediction=net(x)
loss=loss_func(prediction,y)
optimizer.zero_grad() #清除上一梯度
loss.backward() #反向傳播計算梯度
optimizer.step() #應用梯度
#間隔一段,對訓練過程進行可視化展示
if t%5==0:
plt.cla()
plt.scatter(x.data.numpy(),y.data.numpy()) #繪制真是曲線
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('------ 預測和可視化 ------')
if __name__=='__main__':
train()以上是“pytorch中神經網絡擬合曲線的示例分析”這篇文章的所有內容,感謝各位的閱讀!相信大家都有了一定的了解,希望分享的內容對大家有所幫助,如果還想學習更多知識,歡迎關注億速云行業資訊頻道!
免責聲明:本站發布的內容(圖片、視頻和文字)以原創、轉載和分享為主,文章觀點不代表本網站立場,如果涉及侵權請聯系站長郵箱:is@yisu.com進行舉報,并提供相關證據,一經查實,將立刻刪除涉嫌侵權內容。