建造第一个神经网络——关系拟合（回归）
1.要点
神经网络分为两种类型，一种回归，一种分类。回归是连续的值，比如房价问题；分类是一堆数据，比如一堆图片，神经网络将起划分为两种不同类型。
2.建立数据集
我们创建一些假数据来模拟真实的情况. 比如一个一元二次函数: y = a * x^2 + b, 我们给 y 数据加上一点噪声来更加真实的展示它。
import torch
from torch.autograd import Variable #使用variable包住数据
import torch.nn.functional as F #激励函数F
import matplotlib.pyplot as plt #画图的模块
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
# unsqueeze将一维的数据变成二维的数据。torch只会处理二维的数据
#x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size())
#y是二次方加上一些噪点的影响，后面是噪点
# noisy y data (tensor), shape=(100, 1)
x,y=Variable(x),Variable(y)
# 画图，scatter打印散点图
plt.scatter(x.data.numpy(), y.data.numpy())
plt.show()这个是上面代码运行结果图：
3.建立神经网络
建立一个神经网络我们可以直接运用 torch 中的体系. 先定义所有的层属性(__init__()), 然后再一层层搭建(forward(x))层于层的关系链接. 建立关系的时候, 我们会用到激励函数。
import torch
import torch.nn.functional as F # 激励函数都在这
class Net(torch.nn.Module): # 继承 torch 的 Module模块
def __init__(self, n_feature, n_hidden, n_output):
#init是搭建层需要的信息
super(Net, self).__init__() # 继承 __init__ 功能
# 定义每层用什么样的形式
self.hidden = torch.nn.Linear(n_feature, n_hidden) # 隐藏层线性输出，层命名为hidden，n_feature层输入，n_hidden隐藏层的神经元，本函数输出隐藏层神经元的个数。
self.predict = torch.nn.Linear(n_hidden, n_output) # 输出层线性输出，预测神经层predict，n_hidden隐藏层神经元个数，n_output输出
def forward(self, x): # 这同时也是 Module 中的 forward 功能
# 正向传播输入值, 神经网络分析出输出值，x输入值，
x = F.relu(self.hidden(x)) # 激励函数(隐藏层的线性值)
x = self.predict(x) # 输出值，这里不用激励函数因为在大多数回归问题中，预测值分布从负无穷到正无穷，用了激励函数，会把取值截断。
return x
net = Net(n_feature=1, n_hidden=10, n_output=1)
#feature=1，只包含了x一个信息，这里假设隐藏层有10个神经元，输出值y有一个
print(net) # net 的结构
"""
Net (
(hidden): Linear (1 -> 10)
(predict): Linear (10 -> 1)
)
"""4.训练网络
训练网络就是优化网络
# optimizer 是训练的工具
optimizer = torch.optim.SGD(net.parameters(), lr=0.2) # 传入 net 的所有参数, 学习效率
loss_func = torch.nn.MSELoss() # 预测值和真实值的误差计算公式 (均方差处理回归)
for t in range(100):
prediction = net(x) # 喂给 net 训练数据 x, 输出预测值
loss = loss_func(prediction, y) # 计算两者的误差
optimizer.zero_grad() # 清空上一步的残余更新参数值
loss.backward() # 误差反向传播, 计算参数更新值
optimizer.step() # 将参数更新值施加到 net 的 parameters 上5.可视化训练过程
import matplotlib.pyplot as plt
plt.ion() # 画图
plt.show()
for t in range(200):
...
loss.backward()
optimizer.step()
# 接着上面来
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.numpy(), fontdict={'size': 20, 'color': 'red'})
plt.pause(0.1)可视化神经网络结果图，loss误差
