当前位置： 移动技术网 > IT编程>脚本编程>Python > PyTorch学习笔记之回归实战

PyTorch学习笔记之回归实战

2018年08月21日  | 移动技术网IT编程  | 我要评论

北京周边旅游,dede源码,指南录后序知识点

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 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(2) + 0.2 * torch.rand(x.size())

# 变为variable
x, 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 x

net = net(n_feature=1, n_hidden=10, n_output=1)  # define the network
print(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 plotting

for 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


以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持移动技术网。

您可能感兴趣的文章:

如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网