神经网络之万能定理python-pytorch实现，可以拟合任意曲线

神经网络之万能定理python-pytorch实现，可以拟合任意曲线

博主，这���天一直在做这个曲线拟合的实验，讲道理，网上可能也有很多这方面的资料，但是博主其实试了很多，效果只能对一般的曲线还行，稍微复杂一点的，效果都不太好，后来博主经过将近一天奋战终于得到了这个最好的结果：

代码：

from turtle import shapeimport torchfrom torch import nnimport pandas as pdimport numpy as npfrom scipy.optimize import curve_fitimport matplotlib.pyplot as pltfrom  utils import  parametersfrom scipy.optimize import leastsqfrom turtle import titleimport numpy as npimport matplotlib.pyplot as pltimport torch as tfrom torch.autograd import Variable as varclass BP(t.nn.Module):    def __init__(self):        super(BP,self).__init__()        self.linear1 = t.nn.Linear(1,100)        self.s = t.nn.Sigmoid()        self.linear2 = t.nn.Linear(100,10)        self.relu = t.nn.Tanh()        self.linear3 = t.nn.Linear(10,1)        self.Dropout = t.nn.Dropout(p = 0.1)        self.criterion = t.nn.MSELoss()        self.opt = t.optim.SGD(self.parameters(),lr=0.01)    def forward(self, input):        y = self.linear1(input)        y = self.relu(y)     #  y=self.Dropout(y)        y = self.linear2(y)        y = self.relu(y)       # y=self.Dropout(y)        y = self.linear3(y)        y = self.relu(y)        return yclass BackPropagationEx:    def __init__(self):        self.popt=[]    #def  fun(self,t,a,Smax,S0,t0):    #           return Smax - (Smax-S0) * np.exp(-a * (t-t0));    def curve_fitm(self,x,y,epoch):              xs =x.reshape(-1,1)        xs=(xs-xs.min())/(xs.max()-xs.min())            #   print(xs)        ys = y        ys=(ys-ys.min())/(ys.max()-ys.min())        xs = var(t.Tensor(xs))        ys = var(t.Tensor(ys))     #   bp = BP(traindata=traindata,labeldata=labeldata,node=[1,6,1],epoch=1000,lr=0.01)      #  predict=updata(10,traindata,labeldata)        model=BP()        for e in range(epoch):         #   print(e)            index=0            ls=0            for x in xs:                y_pre = model(x)               #   print(y_pre)                loss = model.criterion(y_pre,ys[index])                index=index+1         #       print("loss",loss)                               ls=ls+loss                # Zero gradients                model.opt.zero_grad()                # perform backward pass                loss.backward()                # update weights                model.opt.step()            if(e%2==0 ):                    print(e,ls)        ys_pre = model(xs)        loss = model.criterion(y_pre,ys)        print(loss)        plt.title("curve")        plt.plot(xs.data.numpy(),ys.data.numpy(),label="ys")        plt.plot(xs.data.numpy(),ys_pre.data.numpy(),label="ys_pre")        plt.legend()        plt.show()    def predict(self,x):        return self.fun(x,*self.popt)    def plot(self,x,y,predict):         plt.plot(x,y,'bo')        #绘制拟合后的点         plt.plot(x,predict,'r-')#拟合的参数通过*popt传入         plt.title("BP神经网络")         plt.show()

来看一下结果：

你们可能觉得这个拟合好像也一般啊，其实不是，我这个问题非常难，基本上网上的代码都是拟合效果很差的，数据的话，感兴趣的，可以私聊我，我可以发给你们。

这个实现想做到博主这个效果的，很难，因为博主做了大量实现，发现，其实严格意义上的万能定理的实现其实是需要很多的考虑的。

另外随着训练轮数和神经元的增加，实际上我们的效果可以真正实现万能定理。