5 import torch, torchvision
8 from torch.nn import functional as F
10 ######################################################################
14 x = torch.empty(nb).uniform_(0.0, delta)
15 x += x.new_full(x.size(), 0.5).bernoulli() * (1 - delta)
17 a = x * math.pi * 2 * 4
18 b = x * math.pi * 2 * 3
24 ######################################################################
28 model = nn.Sequential(nn.Linear(1, nh), nn.ReLU(),
30 nn.Linear(nh, nh), nn.ReLU(),
35 criterion = nn.MSELoss()
36 optimizer = torch.optim.Adam(model.parameters(), lr = 1e-4)
38 for k in range(10000):
39 loss = criterion(model(x), y)
40 if (k+1)%100 == 0: print(k+1, loss.item())
45 ######################################################################
47 import matplotlib.pyplot as plt
49 fig, ax = plt.subplots()
51 u = torch.linspace(0, 1, 101)
52 v = u.view(-1, 1).expand(-1, 25).reshape(-1, 1)
53 v = model(v).reshape(101, -1)
57 ax.fill_between(u.numpy(), (mean-std).detach().numpy(), (mean+std).detach().numpy(), color = '#e0e0e0')
58 ax.plot(u.numpy(), mean.detach().numpy(), color = 'red')
59 ax.scatter(x.numpy(), y.numpy())
63 ######################################################################