一個簡單的回歸問題案例的pytorch實作

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。