05-20 04:07 阅读 194

神经网络拟合二元函数_pytorch实现

采用神经网络拟合一个简单的二元函数，作为一个入门程序。希望能有些帮助。

如果感觉算力不够用了，或者心疼自己电脑了！

可以用我实验室的算力，试试呢！

害，谁叫我的算力都用不完呢！

支持所有框架！实际上框架都配置好了！

傻瓜式云计算！

Tesla v100 1卡，2卡，4卡，8卡

内存16-128G

cpu：8-24核

想要？加个微信：15615634293

或者点这里，找我！

欢迎打扰！

import numpy as npimport matplotlib.pyplot as pltimport randomimport torchfrom torch.nn import functional as Fclass Neuro_net(torch.nn.Module):
    """搭建神经网络"""
    def __init__(self):
        super(Neuro_net, self).__init__()   # 继承__init__功能
        self.hidden_layer1 = torch.nn.Linear(2, 100)
        self.hidden_layer2 = torch.nn.Linear(100, 100)
        self.output_layer = torch.nn.Linear(100, 1)

    def forward(self, x):
        x = self.hidden_layer1(x)
        x = F.relu(x)
        c = x        for i in range(3):
            x = self.hidden_layer2(x)
            x = F.relu(x)

        pridect_y = self.output_layer(x)
        return pridect_y

train_data = np.zeros((10000,3))for i in range(10000):
    train_data[i][0] = random.uniform(-1, 1)
    train_data[i][1] = random.uniform(-1, 1)
    train_data[i][2] = train_data[i][0]**2 + train_data[i][1]**2x_data = train_data[:, 0:2]y_data = train_data[:, 2].reshape(10000, 1)print(x_data.shape, y_data.shape)net = Neuro_net()# optimizer 优化optimizer = torch.optim.SGD(net.parameters(), lr=0.2)# loss funactionloss_funaction = torch.nn.MSELoss()epoch = 500x_data = torch.tensor(x_data, dtype=torch.float32)y_data = torch.tensor(y_data, dtype=torch.float32)plt.ion()for step in range(epoch):
    pridect_y = net(x_data)  # 喂入训练数据 得到预测的y值
    loss = loss_funaction(pridect_y, y_data)  # 计算损失

    optimizer.zero_grad()    # 为下一次训练清除上一步残余更新参数
    loss.backward()          # 误差反向传播，计算梯度
    optimizer.step()         # 将参数更新值施加到 net 的 parameters 上

    if step % 100 == 0:
        print("已训练{}步 | loss：{}.".format(step, loss))
        plt.cla()
        ax = plt.subplot(111, projection='3d')
        ax.scatter(x_data[:, 0], x_data[:, 1], y_data, c='g')
        ax.scatter(x_data[:, 0], x_data[:, 1], pridect_y.data.numpy(), c='r')
        plt.pause(0.1)plt.ioff()plt.show()test_data = np.zeros((2000, 4))for i in range(2000):
    test_data[i][0] = random.uniform(-1, 1)
    test_data[i][1] = random.uniform(-1, 1)
    test_data[i][2] = test_data[i][0]**2 + test_data[i][1]**2
    x_test = test_data[:, 0:2]x_test = torch.tensor(x_test, dtype=torch.float32)y_test = net(x_data)ax = plt.subplot(111, projection='3d')ax.scatter(x_data[:, 0].data.numpy(), x_data[:, 1].data.numpy(), y_test[:, 0].data.numpy(), c='r')plt.show()1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.31.32.33.34.35.36.37.38.39.40.41.42.43.44.45.46.47.48.49.50.51.52.53.54.55.56.57.58.59.60.61.62.63.64.65.66.67.68.69.70.71.72.73.74.75.76.77.78.

程序运行过程

在这里插入图片描述
图片截的不好，凑合着看吧。