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

# torch.linspace(-1,1,100)表示返回一個一維張量，包含在區(qū)間 -1到1 上均勻間隔的100個點(diǎn)；
# torch.unsqueeze(input,dim=1)表示轉(zhuǎn)換維度
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
# 生成的y值為x的平方加上隨機(jī)數(shù) 
y = x.pow(2) + 0.2*torch.rand(x.size())         

# 用 Variable 來修飾這些數(shù)據(jù) tensor
x, y = torch.autograd.Variable(x), Variable(y)

# 畫圖
plt.scatter(x.data.numpy(), y.data.numpy())
plt.show()

import torch
import torch.nn.functional as F   # 激勵函數(shù)都在這

class Net(torch.nn.Module): # 繼承 torch 的 Module
  def __init__(self, n_feature, n_hidden, n_output):
    super(Net, self).__init__()   # 繼承 __init__ 功能
    # 定義每層用什么樣的形式
    self.hidden = torch.nn.Linear(n_feature, n_hidden)  # 隱藏層線性輸出
    self.predict = torch.nn.Linear(n_hidden, n_output)  # 輸出層線性輸出

  def forward(self, x):  # 這同時也是 Module 中的 forward 功能
    # 正向傳播輸入值, 神經(jīng)網(wǎng)絡(luò)分析出輸出值
    x = F.relu(self.hidden(x))   # 激勵函數(shù)(隱藏層的線性值)
    x = self.predict(x)       # 輸出值
    return x

net = Net(n_feature=1, n_hidden=10, n_output=1)

print(net) # net 的結(jié)構(gòu)
"""
Net (
 (hidden): Linear (1 -> 10)
 (predict): Linear (10 -> 1)
)
"""

import matplotlib.pyplot as plt

plt.ion() #打開交互繪圖模式（便于實(shí)時顯示圖像變化）
plt.show() 

optimizer = torch.optim.SGD(net.parameters(), lr=0.1) # 定義優(yōu)化器和學(xué)習(xí)率
loss_func = torch.nn.MSELoss() #定義損失函數(shù)

for t in range(200):
  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()) # 畫散點(diǎn)圖
    plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5) # 畫擬合曲線
    plt.text(0.5, 0, 'Loss=%.4f' % loss.data[0], fontdict={'size':20,'color':'red'}) # 顯示損失數(shù)值
    plt.pause(0.1)

# 如果在腳本中使用ion()命令開啟了交互模式，沒有使用ioff()關(guān)閉的話，則圖像會一閃而過，并不會常留。要想防止這種情況，需要在plt.show()之前加上ioff()命令。
plt.ioff() 
plt.show()