非线性回归模型的创建训练和测试（详细步骤）

import torch
import matplotlib.pyplot as plt

#定义训练集和训练集的答案
input_train = torch.linspace(-2, 2, steps=200)
input_train = input_train.view(200, 1)
print("input_train:", input_train)
noise = torch.normal(mean=torch.zeros(200, 1), std=0.2)
print("noise:", noise)
answer_train = torch.pow(input_train, 2) + noise
print("answer_train:", answer_train)

#定义非线性回归模型
class NoneLinearRegression(torch.nn.Module):
   def __init__(self):
       #初始化父类
       super(NoneLinearRegression, self).__init__()
       #定义网络的神经元torch.nn.Linear(1, 10)中的1是全连接层的神经元个, 10是隐藏层神经元的个数
       self.NoneLinear1 = torch.nn.Linear(1, 10)
       #定义神经网络的激活函数（这里使用的是双曲正切‘tanh’激活函数）
       self.tanh = torch.nn.Tanh()
       #定义网货的神经元torch.nn.Linear(10, 1)中的10是隐藏层神经元的个数, 1是第二个全连接层的个数
       self.NoneLinear2 = torch.nn.Linear(10, 1)
   #定义前向计算
   def forward(self, input):
       #将数据传入第一个全连接层完成计算
       output = self.NoneLinear1(input)
       #将数据传入激活函数进行计算
       output = self.tanh(output)
       #将数据传入第二个全连接层进行计算并返回计算得到的值
       output = self.NoneLinear2(output)
       return output

#定义模型
model = NoneLinearRegression()
#定义损失函数
mse_loss = torch.nn.MSELoss(reduction='mean')
#定义优化器(注意model.parameters()一定要加(), 否则返回的不是一个可迭代的值)
optimizer = torch.optim.SGD(model.parameters(), lr=0.3)
#显示模型中的参数
for name, parameters in model.named_parameters():
   print("Parameter's name is:", name)
   print("Parameter's value is:", parameters)

#通过训练集对模型进行训练
for epoch in range(2000):
   #先进行数据传入进行前向计算
   output_train = model(input_train)
   #计算损失
   loss = mse_loss(answer_train, output_train)
   #每200次查看一次损失值
   if (epoch + 1) % 200 == 0:
       print("第", epoch + 1, "次训练损失值为:", loss.item())
   #进行梯度清零
   optimizer.zero_grad()
   #通过损失反向计算梯度
   loss.backward()
   #通过优化器将更新的参数传给模型
   optimizer.step()

#通过自己输入一个测试集来测试模型训练的结果如何
input_test = input_train
output_test = model(input_test)

#通过图像显示出模型的训练效果
plt.scatter(input_train, answer_train)
#显示模型的训练结果和输入结果的拟合线
plt.plot(input_test.data.numpy(), output_test.data.numpy(), 'r-', lw=3)
plt.show()