最近正在學(xué) PyTorch，作為一個(gè)初學(xué)者僻澎，在此分享下自己所學(xué)到的一些皮毛吧捧挺。

這里不對(duì)神經(jīng)網(wǎng)絡(luò)的概念作太多的介紹，重點(diǎn)是如何使用 Pytorch 搭建一個(gè)簡單的神經(jīng)網(wǎng)絡(luò)來作一些簡單的回歸與分類冶共。

神經(jīng)網(wǎng)絡(luò)簡單介紹

這是一個(gè)包含三個(gè)層次的神經(jīng)網(wǎng)絡(luò)。紅色的是輸入層每界，紫色的是中間層（也叫隱藏層）捅僵，綠色的是輸出層。
輸入層有3個(gè)輸入單元眨层，隱藏層有4個(gè)單元命咐，輸出層有2個(gè)單元。

image.png

這里就不對(duì)神經(jīng)網(wǎng)絡(luò)作太多的介紹谐岁，網(wǎng)上有很多很好的博客醋奠，大家可以去查閱查閱榛臼。

使用 PyTorch 進(jìn)行簡單的回歸

你所需要安裝的 python 庫是 pytorch 和 matplotlib。如果你正確安裝了這兩個(gè)庫窜司，并且使用的是python3沛善，那么理論上你就可以使用它了，兩個(gè)程序參考了 github 上一位莫煩大神的教程(https://github.com/MorvanZhou
)塞祈，我對(duì)其做了一些“魔改”金刁，簡單封裝了下，使其更容易“調(diào)參”议薪。

激勵(lì)函數(shù)使用的是 relu

image.png

以上是常見的激勵(lì)函數(shù)尤蛮，具體什么場景使用怎么的激勵(lì)函數(shù)這里就不作贅述了。
程序里有詳細(xì)的注釋斯议，還是見程序吧：

import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt
import matplotlib.animation as animation


class MineNet(torch.nn.Module):
    def __init__(self, _net):
        super(MineNet, self).__init__()
        self.n_feature = _net[0]
        self.n_hidden = _net[1]
        self.n_output = _net[2]
        """torch.nn.Linear(self, in_features, out_features, bias=True)
        in_features : 前一層網(wǎng)絡(luò)神經(jīng)元的個(gè)數(shù)
        out_features : 該網(wǎng)絡(luò)層神經(jīng)元的個(gè)數(shù)
        """
        '''隱藏層線性輸出'''
        self.hidden = torch.nn.Linear(self.n_feature, self.n_hidden)
        '''輸出層線性輸出'''
        self.predict = torch.nn.Linear(self.n_hidden, self.n_output)

    def forward(self, values):
        """
        正向傳播輸入值, 神經(jīng)網(wǎng)絡(luò)分析出輸出值
        :param values:
        :return:  輸出值
        """
        '''激勵(lì)函數(shù)(隱藏層的線性值)'''
        '''relu: x<=0 y=0;x>0 y=x'''
        values = torch.relu(self.hidden(values))
        return self.predict(values)


class Net(object):
    def __init__(self, x, y, count, lr, mine_net):
        """
        :param x: 自變量
        :param y: 因變量
        :param count: 訓(xùn)練次數(shù)
        :param lr: 學(xué)習(xí)效率
        :param mine_net: MineNet對(duì)象
        """
        self.x = Variable(x)
        self.y = Variable(y)
        self.count = count
        self.lr = lr
        self.net = mine_net
        '''net 的所有參數(shù),學(xué)習(xí)率'''
        self.optimizer = torch.optim.SGD(self.net.parameters(), lr=self.lr)
        '''預(yù)測值和真實(shí)值的誤差計(jì)算公式 (均方差)'''
        self.loss_fun = torch.nn.MSELoss()

    def train_show(self):
        """
        訓(xùn)練與可視化
        :return:
        """
        plt.ion()
        plt.show()
        for t in range(self.count):
            '''給net訓(xùn)練數(shù)據(jù), 輸出預(yù)測值'''
            prediction = self.net(self.x)
            '''計(jì)算兩者的誤差'''
            loss = self.loss_fun(prediction, self.y)
            '''清空上一步的殘余更新參數(shù)值'''
            self.optimizer.zero_grad()
            '''誤差反向傳播, 計(jì)算參數(shù)更新值'''
            loss.backward()
            '''將參數(shù)更新值施加到net的parameters上'''
            self.optimizer.step()
            '''作圖'''
            plt.cla()
            plt.scatter(self.x.data.numpy(), self.y.data.numpy())
            plt.plot(self.x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
            plt.text(0.5, 0, 'Count =%.d\nLoss=%.4f' % (t + 1, loss.data.numpy()),
                     fontdict={'size': 14, 'color': 'red'})
            plt.pause(0.1)

        plt.ioff()
        plt.show()


if __name__ == '__main__':
    '''自變量'''
    _x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
    '''因變量'''
    _y = _x.pow(2) + 0.2 * torch.rand(_x.size())
    '''學(xué)習(xí)次數(shù)'''
    c = 300
    '''學(xué)習(xí)效率'''
    _lr = 0.5
    net_list = [1, 10, 1]
    net = MineNet(net_list)
    n = Net(_x, _y, c, _lr, net)
    n.train_show()

呃产捞，由于我暫時(shí)還不太會(huì)把這個(gè)過程保存為動(dòng)圖，這里暫時(shí)把過程的結(jié)果展示下哼御，之后再放動(dòng)圖坯临。
結(jié)果如下：

image.png

注：Count 是學(xué)習(xí)次數(shù)，Loss 是誤差恋昼。

使用 Pytorch 進(jìn)行簡單的分類

分類在回歸的基礎(chǔ)上作一些修改就可以了看靠。
程序中有詳細(xì)的注釋：

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


class MineNet(torch.nn.Module):
    def __init__(self, _net):
        super(MineNet, self).__init__()
        self.n_feature = _net[0]
        self.n_hidden = _net[1]
        self.n_output = _net[2]
        """torch.nn.Linear(self, in_features, out_features, bias=True)
        in_features : 前一層網(wǎng)絡(luò)神經(jīng)元的個(gè)數(shù)
        out_features : 該網(wǎng)絡(luò)層神經(jīng)元的個(gè)數(shù)
        """
        '''隱藏層線性輸出'''
        self.hidden = torch.nn.Linear(self.n_feature, self.n_hidden)
        '''輸出層線性輸出'''
        self.output = torch.nn.Linear(self.n_hidden, self.n_output)

    def forward(self, values):
        """
        正向傳播輸入值, 神經(jīng)網(wǎng)絡(luò)分析出輸出值
        :param values:
        :return:  輸出值
        """
        '''激勵(lì)函數(shù)(隱藏層的線性值)'''
        '''relu: x<=0 y=0;x>0 y=x'''
        values = F.relu(self.hidden(values))
        return self.output(values)


class Net(object):
    def __init__(self, x, y, count, lr, mine_net):
        """
        :param x: 自變量
        :param y: 因變量
        :param count: 訓(xùn)練次數(shù)
        :param lr: 學(xué)習(xí)效率
        :param mine_net: MineNet對(duì)象
        """
        self.x = torch.cat((x[0], x[1]), 0).type(torch.FloatTensor)  # FloatTensor = 32-bit floating
        self.y = torch.cat((y[0], y[1]), ).type(torch.LongTensor)  # LongTensor = 64-bit integer
        self.count = count
        self.lr = lr
        self.net = mine_net
        '''net 的所有參數(shù),學(xué)習(xí)率'''
        self.optimizer = torch.optim.SGD(self.net.parameters(), lr=self.lr)
        '''預(yù)測值和真實(shí)值的誤差計(jì)算公式 (均方差)'''
        self.loss_fun = torch.nn.CrossEntropyLoss()

    def train_show(self):
        """
        訓(xùn)練與可視化
        :return:
        """
        plt.ion()
        plt.show()
        for t in range(self.count):
            '''給net訓(xùn)練數(shù)據(jù), 輸出預(yù)測值'''
            out = self.net(self.x)
            '''計(jì)算兩者的誤差'''
            loss = self.loss_fun(out, self.y)
            '''清空上一步的殘余更新參數(shù)值'''
            self.optimizer.zero_grad()
            '''誤差反向傳播, 計(jì)算參數(shù)更新值'''
            loss.backward()
            '''將參數(shù)更新值施加到net的parameters上'''
            self.optimizer.step()
            '''作圖'''
            plt.cla()
            '''經(jīng)過 softmax 的激勵(lì)函數(shù)后的最大概率才是預(yù)測值'''
            prediction = torch.max(F.softmax(out, dim=1), 1)[1]
            predict_y = prediction.data.numpy().squeeze()
            target_y = self.y.data.numpy()
            plt.scatter(self.x.data.numpy()[:, 0], self.x.data.numpy()[:, 1], c=predict_y, s=100, lw=0, cmap='RdYlGn')
            ''''預(yù)測中有多少和真實(shí)值一樣'''
            accuracy = sum(predict_y == target_y) / 200.
            plt.text(1.5, -4, 'Count =%.d\nAccuracy=%.2f' % (t + 1, accuracy), fontdict={'size': 14, 'color': 'red'})
            plt.pause(0.1)

        plt.ioff()
        plt.show()


if __name__ == '__main__':
    n = torch.ones(100, 2)
    '''自變量'''
    _x = [torch.normal(2 * n, 1), torch.normal(-2 * n, 1)]
    '''因變量'''
    _y = [torch.zeros(100), torch.ones(100)]
    '''學(xué)習(xí)次數(shù)'''
    c = 60
    '''學(xué)習(xí)效率'''
    _lr = 0.02
    net_list = [2, 10, 2]
    net = MineNet(net_list)
    n = Net(_x, _y, c, _lr, net)
    n.train_show()

結(jié)果如下：

image.png

注：Count 是學(xué)習(xí)次數(shù)，Accuracy 是準(zhǔn)確率液肌。

可以在 if name == 'main': 中調(diào)節(jié)部分參數(shù)挟炬。
就本人的使用來看，鑒于隱藏層和輸出層用的是 torch.nn.Linear嗦哆，如果在作回歸時(shí)谤祖，x 與 y 是多項(xiàng)式關(guān)系，擬合效果還不錯(cuò)吝秕，但是對(duì)于其他關(guān)系，效果可能就不太好了空幻，當(dāng)然你也可以調(diào)節(jié)其他參數(shù)烁峭，比如學(xué)習(xí)次數(shù)，學(xué)習(xí)效率等等秕铛，得到的結(jié)果每次都會(huì)有差別约郁。