最简单的神经网络
准备训练数据
随机生成50个数据，用作训练数据
x = np.linspace(1, 100)
最简单的神经网络拟合，y=ax+b，所有设置y为
y = 2 * x + 3
不过，为了符合实际情况，可用适当增加一些噪声。
noise = torch.randn(50)
y = 2 * x + 3+noise.numpy()
绘制x，y的图象如下
构建神经网络
torch里面可以基于nn.Module类写自己的神经网络，这里使用最简单的线性层。
class nn(nn.Module):
def __init__(self, in_features=1, mid_features=5, out_features=1):
super(nn, self).__init__()
self.layer1 = nn.Linear(in_features, mid_features)
self.layer2 = nn.Linear(mid_features, out_features)
self.layer = nn.Linear(mid_features, mid_features)
def forward(self, x):
x = self.layer2(x)
for i in range(1):
x = self.layer(x)
x = self.layer2(x)
return x
之后则是设置损失函数，优化器，依旧选择最简单的。
criterion = nn.L1Loss()
optimizer = optim.RMSprop(model.parameters())
其中L1形式的损失函数就在lasso loss，。
RMSProp算法的全称叫 Root Mean Square Prop。
考虑到训练时1-100，那么预测则选取50-150。
迭代计算，结果如下：
全部代码
x = np.linspace(1, 100)
noise = torch.randn(50)
y = 2 * x + 3+noise.numpy()
plt.plot(x, y)
plt.show()
dataset = []
for i, j in zip(x, y):
dataset.append([i, j])
epochs = 10
model = Nn(1, 1)
criterion = nn.L1Loss()
optimizer = optim.RMSprop(model.parameters())
dataset = torch.tensor(dataset, dtype=torch.float, requires_grad=True)
for times in range(epochs):
for i, data in enumerate(dataset, 0):
x, label = data
optimizer.zero_grad()
out = model(x.unsqueeze(dim=0))
loss = criterion(out, label.unsqueeze(dim=0))
print("loss:", loss.data.item())
loss.backward()
optimizer.step()
x = np.linspace(50, 150)
y = 2 * x + 3
dataset = []
for i, j in zip(x, y):
dataset.append([i, j])
dataset = torch.tensor(dataset, dtype=torch.float, requires_grad=True)
pred_y = []
pred_x = x
for i, data in enumerate(dataset, 0):
x, label = data
optimizer.zero_grad()
out = model(x.unsqueeze(dim=0))
pred_y.append(out)
plt.plot(pred_x, pred_y)
print(pred_x, pred_y)
plt.show()
有时间给出最简单神经网络的解析
