莫烦PyTorch学习笔记(二)——回归

---

本文主要是用PyTorch来实现一个简单的回归任务。
编辑器：spyder

1.引入相应的包及生成伪数据

import torchimport 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(2) + 0.2 * torch.rand(x.size())# 变为Variablex, y = Variable(x), Variable(y)

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。

2.绘制数据图像

在上述代码后面加下面的代码，然后运行可得伪数据的图形化表示：

# 绘制数据图像plt.scatter(x.data.numpy(), y.data.numpy())plt.show()

3.建立神经网络

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)   # hidden layer        self.predict = torch.nn.Linear(n_hidden, n_output)   # output layer    def forward(self, x):        x = F.relu(self.hidden(x))      # activation function for hidden layer        x = self.predict(x)             # linear output        return xnet = Net(n_feature=1, n_hidden=10, n_output=1)     # define the networkprint(net)  # net architecture

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。

如果想查看网络结构，可以用print()函数直接打印网络。本文的网络结构输出如下：

Net (  (hidden): Linear (1 -> 10)  (predict): Linear (10 -> 1))

4.训练网络

# 训练100次for t in range(100):    prediction = net(x)     # input x and predict based on x    loss = loss_func(prediction, y)     # 一定要是输出在前，标签在后 (1. nn output, 2. target)    optimizer.zero_grad()   # clear gradients for next train    loss.backward()         # backpropagation, compute gradients    optimizer.step()        # apply gradients

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。

5.可视化训练过程

plt.ion()   # something about plottingfor t in range(100):    ...    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()

6.运行结果