"""
在pytorch中只有Variable可以參與網絡的訓練
"""
import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  #unsqueeze將一維的數據轉成二維數據
y = x.pow(2) + 0.2*torch.rand(x.size())                 #給數據添加噪聲

x, y = Variable(x), Variable(y)

# 以下兩句是畫出x,y對應的散點圖
 
# plt.scatter(x.data.numpy(), y.data.numpy())
# plt.show()


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)   # 隱藏層
        self.predict = torch.nn.Linear(n_hidden, n_output)   #
 
 輸出層

    def forward(self, x):
        x = F.relu(self.hidden(x))      # 隱藏層經過激活函數
        x = self.predict(x)             
        return x

net = Net(n_feature=1, n_hidden=10, n_output=1)     # 定義網絡
print(net)  # 打印出網絡的層結構

# 優化
optimizer = torch.optim.SGD(net.parameters(), lr=0.5) #net.parameters代表網絡的所有參數
 

loss_func = torch.nn.MSELoss()  # 均方誤差（用於回歸），分類問題用交叉熵

plt.ion()   # 將打印設置為實時打印

for t in range(100):
    prediction = net(x)     # 將X放入網絡，經過運算得到其對應的預測值

    loss = loss_func(prediction, y)     # 計算誤差（第一個為預測值，第二個為真實值，順序不可亂）

    optimizer.zero_grad()   # 清除上一次的梯度
    loss.backward()         # 反向傳播，計算各節點梯度
    optimizer.step()        # 優化梯度

    if t % 5 == 0:
        # 實時打印
        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()

torch中的回歸