torch中的回归

"""
在pytorch中只有Variable可以参与网络的训练
"""
import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  #unsqueeze将一维的数据转成二维数据
y = x.pow(2) + 0.2*torch.rand(x.size())                 #给数据添加噪声

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

# 以下两句是画出x,y对应的散点图
# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()


class 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)   # 隐藏层
        self.predict = torch.nn.Linear(n_hidden, n_output)   # 输出层

    def forward(self, x):
        x = F.relu(self.hidden(x))      # 隐藏层经过激活函数
        x = self.predict(x)             
        return x

net = Net(n_feature=1, n_hidden=10, n_output=1)     # 定义网络
print(net)  # 打印出网络的层结构

# 优化
optimizer = torch.optim.SGD(net.parameters(), lr=0.5) #net.parameters代表网络的所有参数
loss_func = torch.nn.MSELoss()  # 均方误差（用于回归），分类问题用交叉熵

plt.ion()   # 将打印设置为实时打印

for t in range(100):
    prediction = net(x)     # 将X放入网络，经过运算得到其对应的预测值

    loss = loss_func(prediction, y)     # 计算误差（第一个为预测值，第二个为真实值，顺序不可乱）

    optimizer.zero_grad()   # 清除上一次的梯度
    loss.backward()         # 反向传播，计算各节点梯度
    optimizer.step()        # 优化梯度

    if t % 5 == 0:
        # 实时打印
        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()