神经网络拟合sin函数并画出loss图

好的，我可以为您演示如何使用 Python 和 PyTorch 来拟合 sin 函数，并绘制损失图。

首先，让我们导入必要的库：

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import numpy as np

然后，我们需要定义我们的模型。在本例中，我们将使用一个具有两个隐藏层的简单前馈神经网络（feedforward neural network）：

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(1, 10)  # 输入层 -> 隐藏层1
        self.fc2 = nn.Linear(10, 10)  # 隐藏层1 -> 隐藏层2
        self.fc3 = nn.Linear(10, 1)  # 隐藏层2 -> 输出层

    def forward(self, x):
        x = nn.functional.relu(self.fc1(x))
        x = nn.functional.relu(self.fc2(x))
        x = self.fc3(x)
        return x

接下来，我们需要准备我们的训练数据。为了拟合 sin 函数，我们将在 -π 和 π 之间生成一些随机样本，并计算它们的 sin 值：

# 生成训练数据
np.random.seed(0)
x_train = np.random.uniform(-np.pi, np.pi, size=(1000, 1)).astype(np.float32)
y_train = np.sin(x_train)

然后，我们需要定义我们的损失函数和优化器：

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(net.parameters(), lr=0.01)

最后，我们可以开始训练我们的模型。我们将训练模型 1000 次，并在每次训练后记录损失值。最后，我们将绘制损失图：

# 训练模型
net = Net()
losses = []
for epoch in range(1000):
    inputs = torch.from_numpy(x_train)
    targets = torch.from_numpy(y_train)

    optimizer.zero_grad()
    outputs = net(inputs)
    loss = criterion(outputs, targets)
    loss.backward()
    optimizer.step()

    losses.append(loss.item())

# 绘制损失图
plt.plot(losses)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.show()

这样，我们就训练出了一个能够拟合 sin 函数的神经网络，并绘制出了损失图。