您好,登錄后才能下訂單哦!
1.前言
我會(huì)這次會(huì)來見證神經(jīng)網(wǎng)絡(luò)是如何通過簡(jiǎn)單的形式將一群數(shù)據(jù)用一條線條來表示. 或者說, 是如何在數(shù)據(jù)當(dāng)中找到他們的關(guān)系, 然后用神經(jīng)網(wǎng)絡(luò)模型來建立一個(gè)可以代表他們關(guān)系的線條.
2.數(shù)據(jù)準(zhǔn)備
我們創(chuàng)建一些假數(shù)據(jù)來模擬真實(shí)的情況. 比如一個(gè)一元二次函數(shù): y = a * x^2 + b, 我們給 y 數(shù)據(jù)加上一點(diǎn)噪聲來更加真實(shí)的展示它.
import torch
import matplotlib.pyplot as plt
#制造一些數(shù)據(jù)
x = torch.unsqueeze(torch.linspace(-1,1,100),dim = 1) #torch.Size([100, 1]) #把[a,b,c]變成[[a,b,c]]
#print(x)
y = 2*(x.pow(2)) + 0.5*torch.rand(x.size()) #torch.rand為均勻分布,返回一個(gè)張量,包含了從區(qū)間[0, 1)的均勻分布中抽取的一組隨機(jī)數(shù)。張量的形狀由參數(shù)sizes定義
#print(y)
#畫圖
plt.scatter(x.data.numpy(),y.data.numpy())
plt.show()
3.搭建神經(jīng)網(wǎng)絡(luò)
建立一個(gè)神經(jīng)網(wǎng)絡(luò)我們可以直接運(yùn)用 torch 中的體系. 先定義所有的層屬性(init()), 然后再一層層搭建(forward(x))層于層的關(guān)系鏈接. 建立關(guān)系的時(shí)候, 我們會(huì)用到激勵(lì)函數(shù)
from torch import nn
import torch.nn.functional as F
class NetWork(nn.Module):
def __init__(self,n_input,n_hidden,n_output):
super(NetWork,self).__init__()
self.hidden = nn.Linear(n_input,n_hidden)
self.output_for_predict = nn.Linear(n_hidden,n_output)
def forward(self,x):
x = F.relu(self.hidden(x)) #對(duì)x進(jìn)入隱層后的輸出應(yīng)用激活函數(shù)(相當(dāng)于一個(gè)篩選的過程)
output = self.output_for_predict(x) #做線性變換,將維度為1
return output
network = NetWork(n_input = 1,n_hidden = 8, n_output = 1)
print(network) #打印模型的層次結(jié)構(gòu)
4.訓(xùn)練搭建的神經(jīng)網(wǎng)絡(luò)
訓(xùn)練的步驟很簡(jiǎn)單, 如下:
from torch import nn
import torch.nn.functional as F
class NetWork(nn.Module):
def __init__(self,n_input,n_hidden,n_output):
super(NetWork,self).__init__()
self.hidden = nn.Linear(n_input,n_hidden)
self.output_for_predict = nn.Linear(n_hidden,n_output)
def forward(self,x):
x = F.relu(self.hidden(x)) #對(duì)x進(jìn)入隱層后的輸出應(yīng)用激活函數(shù)(相當(dāng)于一個(gè)篩選的過程)
output = self.output_for_predict(x) #做線性變換,將維度為1
return output
network = NetWork(n_input = 1,n_hidden = 8, n_output = 1)
print(network) #打印模型的層次結(jié)構(gòu)
optimizer = torch.optim.SGD(network.parameters(),lr = 0.2)
criterion = torch.nn.MSELoss() #均方誤差,用于計(jì)算預(yù)測(cè)值與真實(shí)值之間的誤差
for i in range(500): #訓(xùn)練步數(shù)(相當(dāng)于迭代次數(shù))
predication = network(x)
loss = criterion(predication, y) #predication為預(yù)測(cè)的值,y為真實(shí)值
optimizer.zero_grad()
loss.backward() #反向傳播,更新參數(shù)
optimizer.step() #將更新的參數(shù)值放進(jìn)network的parameters
5.可視化操作
x = torch.unsqueeze(torch.linspace(-1,1,100),dim = 1) #torch.Size([100, 1]) #把[a,b,c]變成[[a,b,c]]
#print(x) 鄭州哪里做人流好 http://www.kdrlyy.com/
y = 2*(x.pow(2)) + 0.5*torch.rand(x.size()) #torch.rand為均勻分布,返回一個(gè)張量,包含了從區(qū)間[0, 1)的均勻分布中抽取的一組隨機(jī)數(shù)。張量的形狀由參數(shù)sizes定義
#print(y)
#畫圖
# plt.scatter(x.data.numpy(),y.data.numpy())
# plt.show()
from torch import nn
import torch.nn.functional as F
class NetWork(nn.Module):
def __init__(self,n_input,n_hidden,n_output):
super(NetWork,self).__init__()
self.hidden = nn.Linear(n_input,n_hidden)
self.output_for_predict = nn.Linear(n_hidden,n_output)
def forward(self,x):
x = F.relu(self.hidden(x)) #對(duì)x進(jìn)入隱層后的輸出應(yīng)用激活函數(shù)(相當(dāng)于一個(gè)篩選的過程)
output = self.output_for_predict(x) #做線性變換,將維度為1
return output
network = NetWork(n_input = 1,n_hidden = 8, n_output = 1)
print(network) #打印模型的層次結(jié)構(gòu)
plt.ion() # 打開交互模式
plt.show()
optimizer = torch.optim.SGD(network.parameters(),lr = 0.2)
criterion = torch.nn.MSELoss() #均方誤差,用于計(jì)算預(yù)測(cè)值與真實(shí)值之間的誤差
for i in range(500): #訓(xùn)練步數(shù)(相當(dāng)于迭代次數(shù))
predication = network(x)
loss = criterion(predication, y) #predication為預(yù)測(cè)的值,y為真實(shí)值
optimizer.zero_grad()
loss.backward() #反向傳播,更新參數(shù)
optimizer.step() #將更新的參數(shù)值放進(jìn)network的parameters
if i % 10 == 0:
plt.cla() # 清坐標(biāo)軸
plt.scatter(x.data.numpy(),y.data.numpy())
plt.plot(x.data.numpy(),predication.data.numpy(),'ro', lw=5) #畫預(yù)測(cè)曲線,用紅色o作為標(biāo)記
plt.text(0.5,0,'Loss = %.4f' % loss.data.numpy(), fontdict = {'size': 20, 'color': 'red'})
plt.pause(0.1)
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。