import numpy as np
import torch
import torch.nn.functional as F # 激励函数F
import matplotlib
matplotlib.use('Qt5Agg')
import matplotlib.pyplot as plt # 画图的模块
import pandas as pd
import torch.utils.data as data_utils
df=pd.read_excel('shuju.xlsx',index_col='序号')
# flow=pd.DataFrame(df['流量'])
# flow_tenser=data_utils.TensorDataset(df['流量'],df['销售额'])
my_array = np.array(df)
my_tensor = torch.FloatTensor(my_array)
plt.scatter(my_tensor.numpy()[:,0],my_tensor.numpy()[:,1])
plt.show()
class Net(torch.nn.Module): # 继承 torch 的 Module模块
def __init__(self, n_feature, n_hidden, n_output):
# init是搭建层需要的信息
super(Net, self).__init__() # 继承 __init__ 功能
# 定义每层用什么样的形式
self.hidden = torch.nn.Linear(n_feature,n_hidden) # 隐藏层线性输出，层命名为hidden，n_feature层输入，n_hidden隐藏层的神经元，本函数输出隐藏层神经元的个数。
self.predict = torch.nn.Linear(n_hidden, n_output) # 输出层线性输出，预测神经层predict，n_hidden隐藏层神经元个数，n_output输出
def forward(self, x): # 这同时也是 Module 中的 forward 功能
# 正向传播输入值, 神经网络分析出输出值，x输入值，
x = F.relu(self.hidden(x)) # 激励函数(隐藏层的线性值)
x = self.predict(x) # 输出值，这里不用激励函数因为在大多数回归问题中，预测值分布从负无穷到正无穷，用了激励函数，会把取值截断。
return x
net = Net(n_feature=1, n_hidden=10, n_output=1)
# feature=1，只包含了x一个信息，这里假设隐藏层有10个神经元，输出值y有一个
print(net) # net 的结构
# optimizer 是训练的工具
optimizer = torch.optim.SGD(net.parameters(), lr=0.2) # 传入 net 的所有参数, 学习效率
loss_func = torch.nn.MSELoss() # 预测值和真实值的误差计算公式 (均方差处理回归)
x=torch.unsqueeze(my_tensor[:,0], dim=1)
y=torch.unsqueeze(my_tensor[:,1], dim=1)
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
if t % 2 == 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, fontdict={'size': 20, 'color': 'red'})
plt.pause(0.1)
plt.ioff() # 画图
plt.show()
目前在学pytorch，代码如上，打印出来为什么是如图所示。不应该是一个趋向于点的直线吗，我是哪里搞错了
