神经网络之万能定理python-pytorch实现，可以拟合任意曲线

博主，这几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 shape
import torch
from torch import nn
import pandas as pd
import numpy as np
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt
from  utils import  parameters
from scipy.optimize import leastsq
from turtle import title
import numpy as np
import matplotlib.pyplot as plt
import torch as t
from 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 = yys=(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=0ls=0for 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 gradientsmodel.opt.zero_grad()# perform backward passloss.backward()# update weightsmodel.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。