pytorch神经网络学习笔记(3)

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：

参考：莫烦python