本次用 pytroch 來實現一個簡單的迴歸分析，也藉此機會來熟悉 pytorch 的一些基本操作。

1. 建立資料集

import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt

# torch.linspace(-1,1,100)表示返回一個一維張量，包含在區間 -1到1 上均勻間隔的100個點；
# torch.unsqueeze(input,dim=1)表示轉換維度
x = torch.unsqueeze(torch.linspace(-1,100),dim=1)
# 生成的y值為x的平方加上隨機數 
y = x.pow(2) + 0.2*torch.rand(x.size())         

# 用 Variable 來修飾這些資料 tensor
x,y = torch.autograd.Variable(x),Variable(y)

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

2. 構建神經網路

import torch
import torch.nn.functional as F   # 激勵函式都在這

class Net(torch.nn.Module): # 繼承 torch 的 Module
  def __init__(self,n_feature,n_hidden,n_output):
    super(Net,self).__init__()   # 繼承 __init__ 功能
    # 定義每層用什麼樣的形式
    self.hidden = torch.nn.Linear(n_feature,n_hidden)  # 隱藏層線性輸出
    self.predict = torch.nn.Linear(n_hidden,n_output)  # 輸出層線性輸出

  def forward(self,x):  # 這同時也是 Module 中的 forward 功能
    # 正向傳播輸入值,神經網路分析出輸出值
    x = F.relu(self.hidden(x))   # 激勵函式(隱藏層的線性值)
    x = self.predict(x)       # 輸出值
    return x

net = Net(n_feature=1,n_hidden=10,n_output=1)

print(net) # net 的結構
"""
Net (
 (hidden): Linear (1 -> 10)
 (predict): Linear (10 -> 1)
)
"""

3. 實時繪圖查看回歸效果

import matplotlib.pyplot as plt

plt.ion() #開啟互動繪圖模式（便於實時顯示影象變化）
plt.show() 

optimizer = torch.optim.SGD(net.parameters(),lr=0.1) # 定義優化器和學習率
loss_func = torch.nn.MSELoss() #定義損失函式

for t in range(200):
  prediction = net(x)
  loss = loss_func(prediction,y)

  optimizer.zero_grad()
  loss.backward()
  optimizer.step()

  if t%5 == 0:
    plt.cla() 
    plt.scatter(x.data.numpy(),y.data.numpy()) # 畫散點圖
    plt.plot(x.data.numpy(),prediction.data.numpy(),'r-',lw=5) # 畫擬合曲線
    plt.text(0.5,'Loss=%.4f' % loss.data[0],fontdict={'size':20,'color':'red'}) # 顯示損失數值
    plt.pause(0.1)

# 如果在指令碼中使用ion()命令開啟了互動模式，沒有使用ioff()關閉的話，則影象會一閃而過，並不會常留。要想防止這種情況，需要在plt.show()之前加上ioff()命令。
plt.ioff() 
plt.show()

執行終態效果圖如下：

以上這篇pytorch 模擬關係擬合——迴歸例項就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。