pytorch神经网络学习笔记(3)

浅浅的花香味﹌ 2023-02-22 07:56 8阅读 0赞

分类

import torch
    from torch.autograd import Variable
    import torch.nn.functional as F
    import matplotlib.pyplot as plt
    
    #生成数据
    n_data=torch.ones(100,2)
    #类别1的数据
    x0 = torch.normal(2*n_data,1)
    #类别1的标签
    y0 = torch.zeros(100)
    #类别2的数据
    x1 = torch.normal(-2*n_data,1)
    #类别2的标签
    y1 = torch.ones(100)
    
    
    #x0,x1连接起来，按维度为0连接，并指定数据为FloatTensor 32bit浮点数
    x = torch.cat((x0,x1),0).type(torch.FloatTensor)
    #y0,y1连接起来,由于只有一维，没用指明维度，并指定数据为LongTensor 64bit整数
    y = torch.cat((y0,y1),).type(torch.LongTensor)
    
    
    
    
    x,y =Variable(x),Variable(y)
    #因为神经网络只能输入Variable
    print(x.data.numpy())
    print(y.data.numpy())
    #plt.scatter(x.data.numpy()[:,0],x.data.numpy()[:,1],c=y.data.numpy(),s=100,lw=0,camp='RdYIGn')
    #打印散点图
    #plt.show()
    
    
    class Net(torch.nn.Module):#继承torch的一个模块
        def __init__(self,n_feature,n_hidden,n_output):
            #n_feature输入层,n_hidden隐藏层,n_output输出层
            super(Net,self).__init__()
            self.hidden = torch.nn.Linear(n_feature,n_hidden)
            self.predict = torch.nn.Linear(n_hidden,n_output)
    
        def forward(self,x):#搭建神经网络前向传递的一些过程
            x = F.relu(self.hidden(x))
            x = self.predict(x)
            return x
    
    net = Net(2,10,2)
    #二分类的例子
    #[0,1] 类型是1
    #[1,0] 类型是0
    #多分类的例子
    #[0,0,1] 1在哪个位序，判定认定的类型
    print(net)
    
    #可视化
    plt.ion()
    plt.show()
    
    optimizer = torch.optim.SGD(net.parameters(),lr=0.01)
    #优化神经网络，传递参数，lr是学习效率，也是梯度下降幅度
    loss_func = torch.nn.CrossEntropyLoss()
    #分类所用的函数
    #计算每个类型的概率 [0.1,0.2,0.7]
    
    #训练
    for t in range(100):
        out = net(x)
        loss = loss_func(out,y)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
    
        if t%2 == 0:
            plt.cla()
            # 过了一道 softmax 的激励函数后的最大概率才是预测值
            prediction = torch.max(F.softmax(out), 1)[1]
            #索引为1的地方 最大概率
            pred_y = prediction.data.numpy().squeeze()
            target_y = y.data.numpy()
            plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=pred_y, s=100, lw=0, cmap='RdYlBu')
            accuracy = sum(pred_y == target_y)/200.  # 预测中有多少和真实值一样
            plt.text(1.5, -4, 'Accuracy=%.2f' % accuracy, fontdict={ 'size': 20, 'color':  'red'})
            plt.pause(0.5)
    
    plt.ioff()
    plt.show()

执行结果：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjYwNzIwMA_size_16_color_FFFFFF_t_70_pic_center]  
参考：莫烦python

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjYwNzIwMA_size_16_color_FFFFFF_t_70_pic_center]: https://img-blog.csdnimg.cn/2020070212261758.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjYwNzIwMA==,size_16,color_FFFFFF,t_70#pic_center