import torch  #引用torch模块
import matplotlib.pyplot as plt #引用画图模块
x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)#产生（-1,1）的100个点横坐标,dim表示维度，表示在这里增加第二维
y=x.pow(2)+0.2*torch.rand(x,size())
#0.2*torch.rand(x,size())是为了产生噪点使数据更加真实

import torch
imoort torch.nn.functional as F #激励函数在这个模块里
class Net (torch.nn.Module): #Net要继承torch中Module 
(1)首先有定义（建立）神经网络层
def __init__(self,n_feature,n_hidden,n_output):
#__init__表示初始化数据
  super(Net,self).__init__()#Net的对象self转换为类nn.module的对象，然后在用nn.Module的方法使用__init__初始化。
self.hidden=torch.nn.Linear(n_feature,n_hidden)
#建立隐藏层线性输出
self.predict=torch.nn.Linear(n_hidden,n_output)
#建立输出层线性输出

def forward (self,x):
# 这同时也是 Module 中的 forward 功能
x=F.relu(self,hidden(x))
#使用激励函数把数据激活
return x #输出数据
net=Net(n_feature=1,n_hidden=10,n_output=1)
#一个隐藏层有10节点，输出层有1节点，输出数数据为一个

optimizer=torch.optim.SGD(net.parameter().lr=0.2)#传入 net 的所有参数, lr代表学习率,optimizer是训练工具
loss_func=torch.nn.MSELoss()#预测值和真实值的误差计算公式 (均方差)
for t in range(100):
prediction = net(x) # 喂给 net 训练数据 x, 输出预测值
  loss = loss_func(prediction, y)  # 计算两者的误差
  optimizer.zero_grad() # 清空上一步的残余更新参数值
  loss.backward()    # 误差反向传播, 计算参数更新值
  optimizer.step()    # 将参数更新值施加到 net 的 parameters 上

import matplotlib.pyplot as plt
plt.ion() # 画图
plt.show()
for t in range(200):
  ...
  loss.backward()
  optimizer.step() 
  # 接着上面来
  if t % 5 == 0:
    # plot and show learning process
    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=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})
    plt.pause(0.1)

import torch
import matplotlib.pyplot as plt
x=torch.unsqueeze(torch.linspace(-2,2,100),dim=1)
y=x.pow(2)+0.2*torch.rand(x.size())
import torch
import torch.nn.functional as F
class Net(torch.nn.Module):
  def __init__(self,n_feature,n_hidden,n_output):
    super(Net,self).__init__()
    self.hidden=torch.nn.Linear(n_feature,n_hidden)
    self.predict=torch.nn.Linear(n_hidden,n_output)
  def forward(self,x):
    x=F.relu(self.hidden(x))
    x=self.predict(x)
    return x
net=Net(n_feature=1,n_hidden=10,n_output=1)
optimizer=torch.optim.SGD(net.parameters(),lr=0.3)
loss_func=torch.nn.MSELoss()
plt.ion() 
plt.show()
for t in range(100):
  prediction=net(x)
  loss=loss_func(prediction,y)
  optimizer.zero_grad() 
  loss.backward()    
  optimizer.step()
  if t % 5 == 0:
 
    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=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})
    plt.pause(0.1)