Pytorch Regression
ZDDWLIG 人气:01.引言
我们之前已经介绍了神经网络的基本知识,神经网络的主要作用就是预测与分类,现在让我们来搭建第一个用于拟合回归的神经网络吧。
2.神经网络搭建
2.1 准备工作
要搭建拟合神经网络并绘图我们需要使用python的几个库。
import torch import torch.nn.functional as F import matplotlib.pyplot as plt x = torch.unsqueeze(torch.linspace(-5, 5, 100), dim=1) y = x.pow(3) + 0.2 * torch.rand(x.size())
既然是拟合,我们当然需要一些数据啦,我选取了在区间 内的100个等间距点,并将它们排列成三次函数的图像。
2.2%20搭建网络
我们定义一个类,继承了封装在torch中的一个模块,我们先分别确定输入层、隐藏层、输出层的神经元数目,继承父类后再使用torch中的.nn.Linear()函数进行输入层到隐藏层的线性变换,隐藏层也进行线性变换后传入输出层predict,接下来定义前向传播的函数forward(),使用relu()作为激活函数,最后输出predict()结果即可。
class%20Net(torch.nn.Module): %20%20%20%20def%20__init__(self,%20n_feature,%20n_hidden,%20n_output): %20%20%20%20%20%20%20%20super(Net,%20self).__init__() %20%20%20%20%20%20%20%20self.hidden%20=%20torch.nn.Linear(n_feature,%20n_hidden) %20%20%20%20%20%20%20%20self.predict%20=%20torch.nn.Linear(n_hidden,%20n_output) %20%20%20%20def%20forward(self,%20x): %20%20%20%20%20%20%20%20x%20=%20F.relu(self.hidden(x)) %20%20%20%20%20%20%20%20return%20self.predict(x) net%20=%20Net(1,%2020,%201) print(net) optimizer%20=%20torch.optim.Adam(net.parameters(),%20lr=0.2) loss_func%20=%20torch.nn.MSELoss()
网络的框架搭建完了,然后我们传入三层对应的神经元数目再定义优化器,这里我选取了Adam而随机梯度下降(SGD),因为它是SGD的优化版本,效果在大部分情况下比SGD好,我们要传入这个神经网络的参数(parameters),并定义学习率(learning%20rate),学习率通常选取小于1的数,需要凭借经验并不断调试。最后我们选取均方差法(MSE)来计算损失(loss)。
2.3%20训练网络
接下来我们要对我们搭建好的神经网络进行训练,我训练了2000轮(epoch),先更新结果prediction再计算损失,接着清零梯度,然后根据loss反向传播(backward),最后进行优化,找出最优的拟合曲线。
for%20t%20in%20range(2000): %20%20%20%20prediction%20=%20net(x) %20%20%20%20loss%20=%20loss_func(prediction,%20y) %20%20%20%20optimizer.zero_grad() %20%20%20%20loss.backward() %20%20%20%20optimizer.step()
3.效果
使用如下绘图的代码展示效果。
for%20t%20in%20range(2000): %20%20%20%20prediction%20=%20net(x) %20%20%20%20loss%20=%20loss_func(prediction,%20y) %20%20%20%20optimizer.zero_grad() %20%20%20%20loss.backward() %20%20%20%20optimizer.step() %20%20%20%20if%20t%20%%205%20==%200: %20%20%20%20%20%20%20%20plt.cla() %20%20%20%20%20%20%20%20plt.scatter(x.data.numpy(),%20y.data.numpy(),%20s=10) %20%20%20%20%20%20%20%20plt.plot(x.data.numpy(),%20prediction.data.numpy(),%20'r-',%20lw=2) %20%20%20%20%20%20%20%20plt.text(2,%20-100,%20'Loss=%.4f'%20%%20loss.data.numpy(),%20fontdict={'size':%2010,%20'color':%20'red'}) %20%20%20%20%20%20%20%20plt.pause(0.1) plt.ioff() plt.show()
最后的结果:
4. 完整代码
import torch import torch.nn.functional as F import matplotlib.pyplot as plt x = torch.unsqueeze(torch.linspace(-5, 5, 100), dim=1) y = x.pow(3) + 0.2 * torch.rand(x.size()) 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) self.predict = torch.nn.Linear(n_hidden, n_output) def forward(self, x): x = F.relu(self.hidden(x)) return self.predict(x) net = Net(1, 20, 1) print(net) optimizer = torch.optim.Adam(net.parameters(), lr=0.2) loss_func = torch.nn.MSELoss() plt.ion() for t in range(2000): 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(), s=10) plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=2) plt.text(2, -100, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 10, 'color': 'red'}) plt.pause(0.1) plt.ioff() plt.show()
加载全部内容