1、直接奉献代码,后期有入门更新,之前一直在学的是TensorFlow,

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt
import numpy as np


x_data = np.arange(-2*np.pi,2*np.pi,0.1).reshape(-1,1)
y_data = np.sin(x_data).reshape(-1,1)

x = torch.unsqueeze(torch.linspace(-5, 5, 100), dim=1)  # 将1维的数据转换为2维数据
# y = x.pow(2) + 0.2 * torch.rand(x.size())
y = torch.cos(x)
# 将tensor置入Variable中 
x, y = Variable(torch.from_numpy(x_data)).float(), Variable(torch.from_numpy(y_data)).float()
print(x.shape,y.shape)

# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()

# 定义一个构建神经网络的类 
class Net(torch.nn.Module):  # 继承torch.nn.Module类
    def __init__(self):
        super(Net, self).__init__()  # 获得Net类的超类(父类)的构造方法
        # 定义神经网络的每层结构形式
        # 各个层的信息都是Net类对象的属性
        self.hidden = torch.nn.Linear(1, 10)  # 隐藏层线性输出
        self.centre_1 = torch.nn.Linear(10,20)
        self.predict = torch.nn.Linear(20, 1)  # 输出层线性输出

    # 将各层的神经元搭建成完整的神经网络的前向通路
    def forward(self, x):
        x = F.tanh(self.hidden(x))  # 对隐藏层的输出进行relu激活
        x_1 = F.tanh(self.centre_1(x))
        x =F.tanh(self.predict(x_1))
        return x

    # 定义神经网络


net = Net()
print(net)  # 打印输出net的结构

# 定义优化器和损失函数 
optimizer = torch.optim.SGD(net.parameters(), lr=0.5)  # 传入网络参数和学习率
loss_function = torch.nn.MSELoss()  # 最小均方误差
acc = lambda y1,y2: np.sqrt(np.sum(y1**2+y2**2)/len(y1))

# 神经网络训练过程 
plt.ion()  # 动态学习过程展示 
plt.show()

for t in range(100):
    prediction = net(x)  # 把数据x喂给net,输出预测值
    loss = loss_function(prediction, y)  # 计算两者的误差,要注意两个参数的顺序
    optimizer.zero_grad()  # 清空上一步的更新参数值
    loss.backward()  # 误差反相传播,计算新的更新参数值
    optimizer.step()  # 将计算得到的更新值赋给net.parameters()

    # 可视化训练过程
    if (t + 1) % 2 == 0:
        plt.cla()
        plt.scatter(x.data.numpy(), y.data.numpy())
        plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=2)
        aucc = acc(prediction.data.numpy(),y.data.numpy())
        print("loss={} aucc={}".format(loss.data.numpy(),aucc))
        plt.text(-4.5, 1,
                 'echo=%sL=%.4f acc=%s' % (t+1,loss.data.numpy(),aucc),
                 fontdict={'size': 15, 'color': 'red'})
        plt.pause(0.1)
print("训练结束")
plt.ioff()
plt.show()

  

python pytorch numpy DNN  线性回归模型