python pytorch numpy DNN 线性回归模型

1、直接奉献代码，后期有入门更新，之前一直在学的是TensorFlow，

import torch

from torch.autograd import Variable

import torch.nn.functional as F

import matplotlib.pyplot as plt

import numpy as np

x_data = np.arange(-2*np.pi,2*np.pi,0.1).reshape(-1,1)

y_data = np.sin(x_data).reshape(-1,1)

x = torch.unsqueeze(torch.linspace(-5, 5, 100), dim=1)  # 将1维的数据转换为2维数据

# y = x.pow(2) + 0.2 * torch.rand(x.size())

y = torch.cos(x)

# 将tensor置入Variable中

x, y = Variable(torch.from_numpy(x_data)).float(), Variable(torch.from_numpy(y_data)).float()

print(x.shape,y.shape)

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

# plt.show()

# 定义一个构建神经网络的类

class Net(torch.nn.Module):  # 继承torch.nn.Module类

    def __init__(self):

        super(Net, self).__init__()  # 获得Net类的超类（父类）的构造方法

        # 定义神经网络的每层结构形式

        # 各个层的信息都是Net类对象的属性

        self.hidden = torch.nn.Linear(1, 10)  # 隐藏层线性输出

        self.centre_1 = torch.nn.Linear(10,20)

        self.predict = torch.nn.Linear(20, 1)  # 输出层线性输出

    # 将各层的神经元搭建成完整的神经网络的前向通路

    def forward(self, x):

        x = F.tanh(self.hidden(x))  # 对隐藏层的输出进行relu激活

        x_1 = F.tanh(self.centre_1(x))

        x =F.tanh(self.predict(x_1))

        return x

    # 定义神经网络

net = Net()

print(net)  # 打印输出net的结构

# 定义优化器和损失函数

optimizer = torch.optim.SGD(net.parameters(), lr=0.5)  # 传入网络参数和学习率

loss_function = torch.nn.MSELoss()  # 最小均方误差

acc = lambda y1,y2: np.sqrt(np.sum(y1**2+y2**2)/len(y1))

# 神经网络训练过程

plt.ion()  # 动态学习过程展示

plt.show()

for t in range(100):

    prediction = net(x)  # 把数据x喂给net，输出预测值

    loss = loss_function(prediction, y)  # 计算两者的误差，要注意两个参数的顺序

    optimizer.zero_grad()  # 清空上一步的更新参数值

    loss.backward()  # 误差反相传播，计算新的更新参数值

    optimizer.step()  # 将计算得到的更新值赋给net.parameters()

    # 可视化训练过程

    if (t + 1) % 2 == 0:

        plt.cla()

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

        plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=2)

        aucc = acc(prediction.data.numpy(),y.data.numpy())

        print("loss={} aucc={}".format(loss.data.numpy(),aucc))

        plt.text(-4.5, 1,

                 'echo=%sL=%.4f acc=%s' % (t+1,loss.data.numpy(),aucc),

                 fontdict={'size': 15, 'color': 'red'})

        plt.pause(0.1)

print("训练结束")

plt.ioff()

plt.show()

python pytorch numpy DNN 线性回归模型的相关教程结束。