@TOC

前言

终于到搭建神经网络了，开心吧！本博客会根据生成的数据搭建一个输入层节点1，单隐藏层（10节点），输出层（1节点）的前馈神经网络来拟合生成的数据。其中隐藏层使用relu激活函数，输出层不使用激活函数。网络结构如下图：

快速网络搭建

1 导入库

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

2 生成数据集

# 生成数据（fake data）
x = torch.linspace(-1,1,100).reshape(-1,1)
# 加上点噪声
y = x.pow(2) + 0.2*torch.rand(x.shape)

# 可视化一下数据
plt.scatter(x.data.numpy(),y.data.numpy())
plt.show()

输出：

3 网络搭建

class Net(torch.nn.Module):
    def __init__(self,n_features,n_hidden,n_output):
        # 继承原来结构体的全部init属性及方法
        super(Net,self).__init__()
        # 线性层就是全连接层
        self.hidden = torch.nn.Linear(n_features,n_hidden)
        self.predict = torch.nn.Linear(n_hidden,n_output)

    def forward(self,x):
        # 重写继承类的向前传播方法，就是在这个里面选择激活函数的
        x = F.relu(self.hidden(x))
        # 回归中输出层一般不用激活函数
        # 例如这里的relu函数如果激活最后一层，小于0的带你全部变成0了，这肯定不是我们想要的
        x = self.predict(x)
        return x

4 传入网络结构、选择优化器、损失函数

net = Net(1,10,1)
print(net)

输出：

optimizer = torch.optim.SGD(net.parameters(),lr=0.5)
loss_func = torch.nn.MSELoss()

5 网络训练及交换演示（画动图）

# 开启matplotlib的交换模式
plt.ion()
for t in range(100):
    # 这一步其实是调用了类里面的 __call__魔术方法，又学到一个魔术方法
    prediction = net(x)
    loss = loss_func(prediction,y)
    # 梯度清零
    optimizer.zero_grad()
    # 误差反向传播，求梯度
    loss.backward()
    # 进行优化器优化
    optimizer.step()
    if 
        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
        plt.pause(0.1)
# 关闭matplotlib的交换模式
plt.ioff()
plt.show()
# 有可能因为是在jupter中才输出的不是动画

输出：

6 打印最终模型参数

# 打印训练出的模型的参数
for name, param in net.named_parameters():
    print(name, param.data)

输出：

总结

恭喜，看到这里相信你已经学会怎么用pytorch搭建前馈神经网络了。