Pytorch搭建简单神经网络 Task2

1>建立数据集（并绘制图像）

 # -*- coding: utf-8 -*-

 #demo.py

 import torch

 import torch.nn.functional as F  # 主要实现激活函数

 import matplotlib.pyplot as plt  # 绘图的工具

 from torch.autograd import Variable

 # 生成伪数据

 x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)

 y = x.pow(3) + 0.2*torch.rand(x.size())    #y=x³+b

 # 变为Variable

 x, y = Variable(x), Variable(y)

 # 绘制数据图像

 plt.scatter(x.data.numpy(), y.data.numpy())

 plt.show()

其中torch.linspace是为了生成连续间断的数据，第一个参数表示起点，第二个参数表示终点，第三个参数表示将这个区间分成平均几份，即生成几个数据。因为torch只能处理二维的数据，所以我们用torch.unsqueeze给伪数据添加一个维度，dim表示添加在第几维。torch.rand返回的是[0,1)之间的均匀分布。

得到下图：

2>建立神经网络

 lass Net(torch.nn.Module):    # 继承 torch 的 Module

     def __init__(self, n_feature, n_hidden, n_output):

         super(Net, self).__init__()   # 继承 __init__ 功能

         self.hidden = torch.nn.Linear(n_feature, n_hidden)   # 隐藏层线性输出

         self.predict = torch.nn.Linear(n_hidden, n_output)   # 输出层线性输出

     def forward(self, x):

         x = F.relu(self.hidden(x))       # 激励函数(隐藏层的线性值)

         x = self.predict(x)             # 输出值

         return x

 net = Net(n_feature=1, n_hidden=10, n_output=1)     # 定义神经网络

 print(net)  # net 的结构

一般神经网络的类都继承自torch.nn.Module，__init__()和forward()两个函数是自定义类的主要函数。在__init__()中都要添加一句super(Net, self).__init__()，这是固定的标准写法，用于继承父类的初始化函数。__init__()中只是对神经网络的模块进行了声明，真正的搭建是在forwad()中实现。自定义类中的成员都通过 self指针来进行访问，所以参数列表中都包含了self。

3>训练神经网络（并可视化训练过程）

 # optimizer 是训练的工具

 optimizer = torch.optim.SGD(net.parameters(), lr=0.2)  # 传入 net 的所有参数, 学习率

 loss_func = torch.nn.MSELoss()      # 预测值和真实值的误差计算公式 (均方差)

 # 训练100次

 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，一定要是输出在前，标签在后 (1. nn output, 2. target)

     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

 plt.ion()   # 画图

训练网络之前我们需要先定义优化器和损失函数。torch.optim包中包括了各种优化器，这里我们选用最常见的SGD作为优化器。因为我们要对网络的参数进行优化，所以我们要把网络的参数net.parameters()传入优化器中，并设置学习率（一般小于1）。由于这里是回归任务，我们选择torch.nn.MSELoss()作为损失函数。由于优化器是基于梯度来优化参数的，并且梯度会保存在其中。所以在每次优化前要通过optimizer.zero_grad()把梯度置零，然后再后向传播及更新。

可视化训练过程：

 for t in range(100):

     ...

     loss.backward()

     optimizer.step()

     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[0], fontdict={'size': 20, 'color':  'red'})

         plt.pause(0.1)

 plt.ioff()

 plt.show()

摘取了几个过程：

最终结果：

参考文档：
基于pytorch的简易卷积神经网络结构搭建-卷积神经网络（CNN）浅析
 卷积神经网络CNN入门[pytorch学习]