import torch
# import torch.nn.functional as F
import matplotlib.pyplot as plt
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # x data (tensor), shape=(100, 1)
# print(x.size()) # x.shape
y = x.pow(2) + 0.2*torch.rand(x.size())
# plt.scatter(x, y) # 散點圖
# plt.show()
class Net(torch.nn.Module):
def __init__(self, n_feature, n_hidden, n_output):
super(Net, self).__init__() # 把nn.Module繼承過來
self.hidden = torch.nn.Linear(n_feature, n_hidden)
self.predict = torch.nn.Linear(n_hidden, n_output)
def forward(self, x):
x = torch.relu(self.hidden(x))
x = self.predict(x)
return x
net = Net(1, 10, 1)
print(net)
plt.ion() # 實時繪圖
plt.show()
optimizer = torch.optim.SGD(net.parameters(), lr=0.5) # 使用随機梯度下降進行優化,學習率為0.5
loss_func = torch.nn.MSELoss() #使用均方誤差作為損失函數
for t in range(100):
prediction = net(x) # 正向傳播
loss = loss_func(prediction, y) # 求損失
optimizer.zero_grad() # 優化器梯度清零
loss.backward() # 反向傳播求梯度
optimizer.step() # 更新可訓練參數,即為權重和偏置
if t % 5 == 0:
plt.cla() # Clear axis即清除目前圖形中的目前活動軸。其他軸不受影響
plt.scatter(x, y) # 繪制散點圖
plt.plot(x.data, prediction.data, 'r-', lw=5)
plt.text(0.5, 0, 'Loss=%.4f' % loss.data, fontdict={'size': 20, 'color': 'red'}) # 列印目前拟合曲線的誤差
plt.pause(0.1)
plt.ioff()
plt.show()
此模型為單隐藏層的兩層神經網絡,輸入和輸出為一個(100,1)的矩陣,第一層為先使用全連接配接再利用relu函數進行激活,第二層(即輸出層)經全連接配接後輸出結果。
由于每疊代五次繪制一張圖,故會依次輸出20張圖,每張圖停留0.1s。