自学教程：pytorch动态神经网络(拟合)实现

import torch  #引用torch模块import matplotlib.pyplot as plt #引用画图模块x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)#产生（-1,1）的100个点横坐标,dim表示维度，表示在这里增加第二维y=x.pow(2)+0.2*torch.rand(x,size())#0.2*torch.rand(x,size())是为了产生噪点使数据更加真实

import torchimoort torch.nn.functional as F #激励函数在这个模块里class Net (torch.nn.Module): #Net要继承torch中Module (1)首先有定义（建立）神经网络层def __init__(self,n_feature,n_hidden,n_output):#__init__表示初始化数据  super(Net,self).__init__()#Net的对象self转换为类nn.module的对象，然后在用nn.Module的方法使用__init__初始化。self.hidden=torch.nn.Linear(n_feature,n_hidden)#建立隐藏层线性输出self.predict=torch.nn.Linear(n_hidden,n_output)#建立输出层线性输出

def forward (self,x):# 这同时也是 Module 中的 forward 功能x=F.relu(self,hidden(x))#使用激励函数把数据激活return x #输出数据net=Net(n_feature=1,n_hidden=10,n_output=1)#一个隐藏层有10节点，输出层有1节点，输出数数据为一个

optimizer=torch.optim.SGD(net.parameter().lr=0.2)#传入 net 的所有参数, lr代表学习率,optimizer是训练工具loss_func=torch.nn.MSELoss()#预测值和真实值的误差计算公式 (均方差)for t in range(100):prediction = net(x) # 喂给 net 训练数据 x, 输出预测值  loss = loss_func(prediction, y)  # 计算两者的误差  optimizer.zero_grad() # 清空上一步的残余更新参数值  loss.backward()    # 误差反向传播, 计算参数更新值  optimizer.step()    # 将参数更新值施加到 net 的 parameters 上

import matplotlib.pyplot as pltplt.ion() # 画图plt.show()for t in range(200):  ...  loss.backward()  optimizer.step()   # 接着上面来  if t % 5 == 0:    # plot and show learning process    plt.cla()    plt.scatter(x.data.numpy(), y.data.numpy())    plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)    plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})    plt.pause(0.1)

import torchimport matplotlib.pyplot as pltx=torch.unsqueeze(torch.linspace(-2,2,100),dim=1)y=x.pow(2)+0.2*torch.rand(x.size())import torchimport torch.nn.functional as Fclass Net(torch.nn.Module):  def __init__(self,n_feature,n_hidden,n_output):    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):    x=F.relu(self.hidden(x))    x=self.predict(x)    return xnet=Net(n_feature=1,n_hidden=10,n_output=1)optimizer=torch.optim.SGD(net.parameters(),lr=0.3)loss_func=torch.nn.MSELoss()plt.ion() plt.show()for t in range(100):  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())    plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)    plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})    plt.pause(0.1)