Pytorch学习笔记：（一）神经网络解决回归问题

前置知识

数据生成

我们先生成最简单的二次函数。

import torch
x = torch.unsqueeze(torch.linspace(-5, 5, 100000), dim=1)
y = x.pow(2)+2*torch.rand(x.size())

test_x = torch.unsqueeze(torch.linspace(-5, 5, 1000), dim=1)
test_y = test_x.pow(2)+2*torch.rand(test_x.size())

• torch.linspace：等差数列插值。在示例中，就是在-5~5之间均匀地插入100000
• torch.unsqueeze：维度扩充。我们生成的数据是1维的，我们需要在生成一位才能满足需要。
• torch.rand：$[0,1)$随机数均匀生成。我们给数据增加一定的混乱度。如果想要生成正态分布可以使用torch.randn

如果想要看到生成的函数图像可以借助matplotlib

参考代码如下

import matplotlib.pyplot as plt
import numpy as np
plt.scatter(test_x.data.numpy(),test_y.data.numpy(),s=2 * np.ones(test_x.size()))
plt.show()

批训练数据打包

import torch.utils.data as data
BATCH_SIZE = 100
train_dataset = data.TensorDataset(x, y)
train_loader = data.dataloader.DataLoader(
    dataset=torch_dataset,
    batch_size=BATCH_SIZE,
    shuffle=True,
    num_workers=1,
)

DataLoader参数解释

• dataset：数据集，不解释。
• batch_size：每批的数据大小
• shuffle：是否打乱数据集
• num_workers：使用多进程加载的进程数，0代表不使用多进程。记得如果要多进程要放在main里面不然会报错的。

建立神经网络

正常的方法

(为什么叫正常的方法因为下面有快速的方法

import torch.nn.functional as f
class