Pytorch是最近兴起的新的深度学习框架，不同于tensorflow的先构建计算图再进行运算，它是动态构建计算图，因此更为通俗易懂。

本文主要使用Pytorch来完成对三次函数的拟合任务，并比较集中不同的激活函数对预测结果的影响。

手动构造的三次函数如下(为了模拟真实场景，函数中加入了一些随机噪声)

在Pytorch中，为了完成模型的搭建，我们需要创建一个继承torch.nn.Module的类，类中我们需要实现forward函数和init函数。

代码如下：

import torchimport torch.nn.functional as Ffrom torch.autograd import Variableimport matplotlib.pyplot as pltx = torch.unsqueeze(torch.linspace(-1, 1, 300), dim=1)  y = x.pow(3) - x.pow(2) + 0.2*torch.rand(x.size())plt.scatter(x.data.numpy(), y.data.numpy())plt.show()class Net(torch.nn.Module):  # 继承 torch 的 Module        def __init__(self, n_feature, n_hidden1, n_hidden2, n_output):                super(Net, self).__init__()     # 继承 __init__ 功能        # 定义每层用什么样的形式                             self.hidden1 = torch.nn.Linear(n_feature, n_hidden1)   # 隐藏层线性输出                             self.hidden2 = torch.nn.Linear(n_hidden1, n_hidden2)  # 隐藏层线性输出                             self.predict = torch.nn.Linear(n_hidden2, n_output)   # 输出层线性输出                    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 = F.relu(self.hidden1(x))      # 激励函数(隐藏层的线性值)                x = F.relu(self.hidden2(x))  # 激励函数(隐藏层的线性值)                x = self.predict(x)             # 输出值        return x                net = Net(n_feature=1, n_hidden1=10, n_hidden2=10, n_output=1)#创建一个类的对象optimizer = torch.optim.SGD(net.parameters(), lr=0.2)  # 传入 net 的所有参数, 创建一个SGD优化器loss_func = torch.nn.MSELoss()  # 定义损失函数plt.ion()  # 画图plt.show()for t in range(300):#总共进行300代的优化    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 % 5 == 0:  #每5步更新一次图像        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.numpy(), fontdict={'size': 20, 'color': 'red'})        plt.pause(0.1)

比较一下使用不同激活函数的拟合效果:

RELU函数

softplus函数：

tanh函数：

对比三个激活函数的拟合效果，我们可以发现，经过relu函数拟合的曲线带有明显的“棱角”，这也是有relu函数自身不可导的特性所致。但是这种棱角特性在加深网络后就变得不再明显。同时，relu函数也是预测结果最好的激活函数，这符合我们的预期。

在过去的几十年间，大量的编程语言被发明、被取代、被修改或组合在一起。尽管人们多次试图创造一种通用的程序设计语言，却没有一次尝试是成功的。之所以有那么多种不同的编程语言存在的原因是，编写程序的初衷其实也各不相同；新手与老手之间技术的差距非常大，而且有许多语言对新手来说太难学；还有，不同程序之间的运行成本（runtime cost）各不相同。