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。