作业一_BP_SVM_RBF函数拟合.7z

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

epoch = 1000

def train（）:
    print（‘------      构建数据集      ------‘）
    x = torch.unsqueeze（torch.cat（[torch.linspace（-10 -1 50）torch.linspace（-1 -0.01 50）
                                  torch.linspace（0.01 1 50）torch.linspace（1 10 50）]） dim=1）
    #y = np.sin（x）/np.abs（x）
    y = x
    #y1 = y**（-1）
   # y2 = y1**（1/3）

    plt.scatter（x y）
    x = x.cuda（）
    y = y.cuda（）


   # plt.show（）

    print（‘------      搭建网络      ------‘）

    # 使用固定的方式继承并重写 init和forword两个类
    class Net（torch.nn.Module）:
        def __init__（self n_feature n_hidden1n_hidden2n_output）:
            # 初始网络的内部结构
            super（Net self）.__init__（）
            self.hidden1 = torch.nn.Linear（n_feature n_hidden1）
            self.hidden2 = torch.nn.Linear（n_hidden1 n_hidden2）
            self.predict = torch.nn.Linear（n_hidden2 n_output）

        def forward（self x）:
            # 一次正向行走过程
            x = torch.tanh（self.hidden1（x））
            x = torch.tanh（self.hidden2（x））
            x = self.predict（x）
            return x

    net = Net（n_feature=1 n_hidden1=500n_hidden2=500 n_output=1）
    net = net.cuda（）
    print（‘网络结构为：‘ net）

    print（‘------      启动训练      ------‘）
    loss_func = F.mse_loss
    optimizer = torch.optim.SGD（net.parameters（） lr=0.001）

    # 使用数据 进行正向训练，并对Variable变量进行反向梯度传播  启动100次训练
    for i in range（epoch）:
        # 使用全量数据 进行正向行走
        prediction = net（x）
        loss = loss_func（prediction y）
        optimizer.zero_grad（）  # 清除上一梯度
        loss.backward（）  # 反向传播计算梯度
        optimizer.step（）  # 应用梯度
        if i % 100==0:
            print（‘epoch:[%d/%d]loss:  %.6f‘ % （i epoch loss））
        # 间隔一段，对训练过程进行可视化展示
        if i % 5 == 0:
            plt.cla（）
           # x = x.cpu（）
           # y = y.cpu（）
            plt.scatter（x.cpu（） y.cpu（））
            plt.plot（x.detach（）.cpu（）.numpy（） prediction.detach（）.cpu（）.numpy（） ‘r-‘ lw=5）
            plt.text（0.5 0 ‘Loss=‘ + str（loss.item（）） fontdict={‘size‘: 20 ‘color‘: ‘red‘}）
            plt.pause（0.1）


    plt.ioff（）
    plt.show（）





if __name__ == ‘__main__‘:
    train（）